Analisis Del Riesgo en Seguros en El Marco de Solvencia II 119 PDF

Instituto de Ciencias del Seguro
Anlisis del riesgo en

seguros en el marco de
Solvencia II: Tcnicas
estadsticas avanzadas
Monte Carlo y
Bootstrapping
Pablo Alonso Gonzlez
Irene Albarrn Lozano
2008 FUNDACIN MAPFRE

Prohibida la reproduccin total o parcial de esta obra sin el permiso escrito del autor o de FUNDACIN MAPFRE
Prohibida la reproduccin total o parcial de esta

obra sin el permiso escrito del autor o del editor.
2007, FUNDACIN MAPFRE
Carretera de Pozuelo 52
28220 Majadahonda. Madrid
www.fundacionmapfre.com/cienciasdelseguro
publicaciones.ics@mapfre.com
ISBN: 978-84-9844-070-6
Depsito Legal: SE-183-2008

PRESENTACIN
Desde 1992 FUNDACIN MAPFRE realiza anualmente una convocatoria de

becas destinadas a promover estudios monogrficos en materia de Riesgo y
Seguro, incluyendo reas temticas relacionadas especficamente con el
seguro iberoamericano.
Su objetivo es facilitar apoyo econmico para la realizacin de trabajos de
investigacin en las reas antes mencionadas y estn dirigidas a titulados
universitarios y profesionales del mundo del seguro, de cualquier nacionalidad,
que deseen desarrollar programas de investigacin.
Para la realizacin de este trabajo, FUNDACIN MAPFRE concedi a sus
autores, una Beca de Investigacin Riesgo y Seguro.
Pablo Alonso Gonzlez es licenciado en Ciencias Econmicas y Empresariales

y en Ciencias Actuariales y Financieras, y Doctor en Ciencias Econmicas y
Empresariales. Ha prestado servicios en diversas entidades financieras en
reas de Tesorera y Control de Gestin. Autor de varios libros y artculos
cientficos sobre aspectos financieros y aseguradores. Actualmente es profesor
del Departamento de Estadstica de la Universidad Carlos III de Madrid,
centrndose actualmente su actividad investigadora en los aspectos
cuantitativos asociados a Solvencia II y a la implantacin del Seguro de
Dependencia.
Irene Albarrn Lozano es actuaria de seguros y licenciada en Ciencias
Econmicas y Empresariales por la Universidad Complutense de Madrid.
Doctora en Ciencias Econmicas y Empresariales por la misma universidad.
Profesora titular de Estadstica Actuarial desde el ao 2001, actualmente
trabaja en el Departamento de Estadstica de la Universidad Carlos III de
Madrid. Ha participado como experta en numerosos proyectos de investigacin
y es autora de varios libros y artculos cientficos centrados en temas
relacionados con el sector asegurador.


A nuestros padres


Slo despus de una larga cadena

de experiencias uniformes de un tipo,
alcanzamos seguridad y confianza firme
con respecto a un acontecimiento particular
David Hume (1711-1776)

Investigacin sobre el entendimiento humano


PREFACIO
Si hubiera que definir qu es lo que ms caracteriza a nuestro tiempo, sera sin
duda alguna, el cambio, y adems continuo, a veces suave, a veces brusco.
Todo se modifica: los gustos de los consumidores, sus necesidades y cmo no,
la respuesta empresarial a estas nuevas circunstancias pues ante una situacin
que se modifica con tanta facilidad, ya no cabe aferrarse a frmulas o
procedimientos que en el pasado demostraron su vala. Por tanto, no queda
ms remedio que adaptarse an cuando ello conlleve un coste de aprendizaje
que se traduce en una salida de recursos. Este desembolso no hay que
percibirlo como un gasto sino como una inversin absolutamente necesaria
para seguir vivo en mercado. Ya se sabe: renovarse o morir. Estas
modificaciones de la realidad circundante suponen que lo que antes era seguro
-entindase como adjetivo- ahora ya no lo es y que quiz lo nico claro es que,
ante tanta incertidumbre, seguro que hace falta un buen seguro -ahora s,
entindase como sustantivo-. Pero para que esta proteccin cumpla con los
fines para los que fue creada, hacen falta dos elementos. Por un lado, es
necesario tener una buena percepcin de las circunstancias y eventualidades
que puedan activar el mecanismo indemnizatorio asociado al seguro. Por otro,
que quienes ofrecen este servicio a la sociedad sean capaces de responder
adecuadamente cuando se les requiera y, de esta forma, no frustren las
expectativas depositadas en ellos. Qu quieren decir estas dos exigencias?
Simplemente que las aseguradoras sean capaces de evaluar adecuadamente
la ocurrencia e intensidad de ciertos eventos ante los que se ofrecen a dar
proteccin econmica en caso de producirse y que tengan los recursos
suficientes para ofrecer la contraprestacin pactada en los contratos. Lo
primero afecta a factores relacionados con el diseo de productos tales como
precios, condiciones de aplicacin e indemnizaciones a pagar a los
asegurados. Lo segundo afecta al procedimiento de evaluacin de su
capacidad financiera para hacer frente a las posibles contingencias que se
esperan cubrir.
Inmersos en esta dinmica cambiante, en los ltimos aos se ha dado una
especial relevancia al anlisis de este ltimo factor. No es un fenmeno
privativo de las compaas aseguradoras ni se circunscribe slo al mbito
europeo. La preocupacin por tener entidades con suficiente capacidad
financiera tampoco es algo nuevo. De hecho, existe legislacin sobre el tema
que viene de lejos. Y no slo en el terreno asegurador, sino tambin en el
bancario. Sin embargo, esta normativa es generalista y no considera las
especificidades de cada compaa. Los bancos ya hace aos que mostraron
cierta preocupacin por acompasar la cantidad de recursos propios con las
actividades que emprendan. En definitiva, se trata de que, aqullos que
asuman mayor cantidad de riesgos y/o de mayor intensidad, tengan ms

recursos disponibles que aquellos otros que opten por actividades ms

conservadoras o por un menor nivel de contratacin. El Banco Internacional de
Pagos -BIS- emprendi hace aos lo que se ha dado en llamar el proceso de
Basilea II, que no es ms que la plasmacin en la prctica del principio
anteriormente expuesto.
El equivalente en el mbito asegurador ha adoptado mltiples formas, una de
ellas es la que afectar a los pases de la Unin Europea y que se recoger en
una Directiva, que es generalmente conocida como Solvencia II. El objetivo
final declarado de la misma es una mejor defensa de los asegurados europeos.
ste es el fin y el medio para conseguirlo no es otro que una adecuada
evaluacin del riesgo, para lo que es necesario no slo identificar las distintas
causas que puedan suponer prdidas de recursos para las aseguradoras, sino
tambin cuantificarlo correctamente. Para ello es preciso emplear el arsenal
tcnico que sea necesario.
Este trabajo trata de mostrar cmo es posible utilizar ciertas tcnicas
estadsticas para lograr una correcta medicin del riesgo en el negocio
asegurador dentro del contexto de reforma en el que se encuentra el sector en
la Unin Europea. Es decir, ste no es un estudio estadstico sin ms, sino que
trata de ver su aplicacin a un problema concreto. No se ha tratado de hacer
una mera exposicin sobre qu son y cmo se usan las tcnicas de Monte
Carlo y de Bootstrap sino que se ha intentado buscar situaciones en las que su
aplicacin resulte adecuada, teniendo en cuenta el proceso de cambio en el
que nos encontramos inmersos. Por esta razn, el trabajo puede dividirse en
tres grandes bloques: estudio del contexto en el que se pretenden aplicar estas
tcnicas, la exposicin de las mismas y finalmente, unos ejemplos prcticos
que ilustran su utilizacin.
El primer bloque lo forman los cuatro primeros captulos. El captulo uno
muestra las piezas clave del proceso que llevar a la Directiva de Solvencia II.
Es decir, para entender qu se pretende hacer es absolutamente necesario
saber qu se quiere obtener y no slo desde un punto de vista tcnico, sino
tambin poltico y legislativo. No hay que olvidar que este proceso est
impulsado por la Comisin Europea y que para su desarrollo prctico se ha
tenido que fijar un procedimiento muy especfico de trabajo, conocido como
enfoque Lamfalussy, con unos plazos y unas condiciones fijadas de antemano.
Desde una perspectiva tcnica, se esboza lo que son los principios bsicos, es
decir: la valoracin segn mercado, los conocidos como tres Pilares de
Solvencia y la eleccin de la medida de riesgo a utilizar. En este ltimo punto,
se explican las caractersticas tanto del VaR como del TVaR as como los
aspectos favorables y desfavorables de ambos sistemas.
Una vez recogidas las referencias principales que enmarcan el camino hacia la
nueva Directiva, el captulo dos se ocupa de reflejar el contexto en el cual se
est desarrollando el proceso. Es decir, se trata de saber si Solvencia II es una
novedosa innovacin made in EU o si, por el contrario, es un sistema de
medicin que sigue la estela de otros ya existentes. Como puede imaginarse,
sto no es una ocurrencia genial de la UE, sino que, efectivamente, otros antes
ya han seguido un camino similar. Por ello, parece bastante razonable saber de

dnde se parte y quines son los referentes. Por tanto, lo primero que se hace
es analizar el actual sistema, todava vigente, conocido como Solvencia I. Una
vez expuesto, se describen distintos sistemas operativos en la actualidad,
todos ellos con un denominador comn: la fijacin del nivel de capital en
funcin del riesgo asumido. Se explican los sistemas britnico, americano y
especialmente suizo, recogido en su Test de Solvencia, del cual el proceso
europeo de reforma toma algunos procedimientos.
Tras la exposicin de los sistemas utilizados en otros pases, se pasa a
describir el mecanismo propuesto por el CEIOPS, grupo tcnico encargado por
la Comisin para desarrollar los aspectos tcnicos necesarios para la
evaluacin del Pilar I. A esta tarea estn dedicados los captulos tres y cuatro.
El primero de ellos recoge los dos primeros estudios de campo realizados, los
conocidos como QIS1 y QIS2. El grado de complejidad y precisin es,
obviamente, superior en el segundo. El enfoque seguido en estos modelos es
el de desgranar los posibles riesgos a los que se enfrenta una aseguradora,
calcular el capital asociado a cada uno de ellos y finalmente, agregarlos para
obtener la cifra final. Ntese que se ha empleado el verbo agregar y no sumar
pues el procedimiento propuesto considera que los riesgos no tienen porqu
seguir una determinada relacin de dependencia unos de otros con lo que la
cifra final no es la mera adicin de las cifras particulares. Como se expondr en
el texto, se pretende obtener dos cifras bsicas: una referida al capital
necesario de acuerdo a los riesgos que se asumen -lo que podramos
denominar como capital econmico- y otra, como la cifra inferior que cualquier
compaa debera tener para seguir funcionando libremente en el mercado -lo
que sera el capital legal-. Estas dos cifras son las conocidas como SCR Solvency Capital Requirement- y MCR -Minimum Capital Requirement- y como
tienen fines distintos, tambin es diferente la forma de calcularlas. El captulo
tres recoge la frmula estndar propuesta por CEIOPS para calcular ambas.
El proceso de definicin del modelo final sigue un esquema iterativo es decir,
se propone uno especfico, se toman datos de la realidad, se analizan y se
procede a reajustarlo tanto en sus parmetros como en sus expresiones
analticas. Hasta el momento, la ltima iteracin es la recogida en el QIS3 y a
su estudio y descripcin se dedica el captulo cuatro. Hay que decir que,
aunque la estructura general sigue siendo la misma, el desglose de riesgos y
las relaciones entre ellos se han visto modificadas en relacin a la prueba
anterior. Hasta aqu, el anlisis del proceso y modelo propuesto por las
autoridades comunitarias para medir el capital de forma econmica. A
continuacin se procede a presentar las tcnicas estadsticas que se proponen
para su utilizacin en este contexto. A esta tarea se dedican los captulos cinco
y seis. Hay que decir que ambos son eminentemente tericos si bien se han
incluido ejemplos que permiten clarificar los contenidos all recogidos -o al
menos, as lo creemos los autores-. El captulo cinco se centra en el estudio de
las tcnicas de Monte Carlo. Para ello, se comienza explicando cmo se
generan nmeros aleatorios para pasar a exponer cmo aplicar estas tcnicas
a distintos tipos de distribuciones estadsticas. Dentro de este ltimo aspecto,
se hace especial referencia al caso de la Normal Multivariante y a lo que se
conoce como descomposicin de Cholesky por su amplia utilizacin en los
mbitos actuarial y financiero, tal y como se ver en la ltima parte del trabajo.

El captulo seis se ocupa de otra tcnica ampliamente utilizada, el Bootstrap,

del cual se abordan distintos aspectos y cuyo principio bsico es la generacin
de nuevas muestras a partir de la obtenida por observacin de la realidad. Se
podra traducir al espaol como remuestreo, si bien hay que reconocer que
esta palabra no est incluida dentro del Diccionario de la Real Academia. A
primera vista, no parece que haya mucha diferencia entre esta tcnica y la
anterior pues ambas se utilizan para realizar un elevado nmero de
simulaciones. Sin embargo, las diferencias son significativas. Con Monte Carlo
se generan nuevos datos para lo cual se supone que el fenmeno analizado
sigue una determinada distribucin estadstica; con Bootstrap se generan
nuevas muestras a partir de la ya existente. Dicho de una forma coloquial:
Monte Carlo sera algo as como un mecanismo de creacin de nmeros
usando un determinado sistema, mientras que el Bootstrap sera equiparable a
una situacin en la que se repitiese el proceso de toma de datos de la realidad.
Es decir, es como si tuviramos una bolsa con n bolas numeradas y se
desease hacer nuevos conjuntos de n datos mediante el expediente de sacar
una bola, anotar su nmero, devolverla a la bolsa, sacar otra bola, anotar su
nmero y as sucesivamente hasta completar la muestra de tamao n. Una vez
obtenida la muestra se hara eso mismo un nmero elevado de veces. Como
puede imaginarse, para llevar adelante ambos procesos hace falta un
ordenador pues, en todos los casos, se est hablando de miles de rplicas y de
generar aleatoriamente nmeros a partir de los cuales se obtengan los nuevos
datos buscados.
La tercera parte del trabajo complementa a las anteriores. Por ello, en el
captulo siete se utilizan estos sistemas para dos situaciones, que a lo largo de
la exposicin de los captulos uno a cuatro se ver que son de la mayor
importancia en el mbito de Solvencia II, como son el clculo del VaR -y el
TVaR- y la valoracin de las provisiones tcnicas. Al primero se dedican los
ejemplos basados en Monte Carlo mientras que el Bootstrap se centra en el
segundo de ellos.
Es nuestra intencin que este trabajo ayudase a percibir Solvencia II como algo
ms que so de los tres Pilares y que las tcnicas aqu presentadas dejen de
ser consideradas como autnticas cajas negras pues ni son cosa de brujas ni
algo hecho de forma incomprensible por un ordenador. Muy al contrario, son
herramientas que se ajustan perfectamente al trabajo actuarial al permitir
replicar los posibles resultados que se pudieran presentar en el futuro.
Finalmente, quisiramos agradecer la ayuda tcnica y financiera recibida de la
Fundacin MAPFRE para la elaboracin de este documento y muy
especialmente a D. Jos Antonio Aventn, que nos ha animado a seguir
investigando sobre el tema y que no ha dudado en compartir con nosotros
parte de su muy escaso tiempo para arrojar la luz que la prctica diaria
concede en los puntos oscuros de esta investigacin. No obstante, todos los
fallos y errores que hubiera son responsabilidad exclusivamente nuestra.
Esperamos haber cumplido nuestro objetivo.
Los autores

NDICE
CAPTULO 1
LOS FUNDAMENTOS DEL PROCESO DE SOLVENCIA II ........................
1.-
INTRODUCCIN Y MOTIVACIONES DEL CAMBIO ...........................
2.-
ENTORNO EN EL QUE SE PREPARA SOLVENCIA II .......................
2.1. Contexto econmico .....................................................................
2.2. Contexto poltico y normativo........................................................
2.2.1. Solvencia II dentro de las reformas comunitarias...............
2.2.2. Consistencia con la regulacin bancaria de solvencia .......
10
2.2.3. Normas Internacionales de Contabilidad (NIC) ..................
11
2.2.4. Desarrollos internacionales en la regulacin de Solvencia

3.-
4.-
5.-
6.-
en seguros .........................................................................
12
ESTIMACIN DE LOS COMPROMISOS DE PAGO ...........................
13
3.1. Aspectos generales.......................................................................
13
3.2. Aspectos concretos y principios de valoracin .............................
17
EL CAPITAL DE LAS EMPRESAS ASEGURADORAS: REQUISITOS

DE SOLVENCIA E INTERVENCIN SUPERVISORA .........................
24
4.1. La composicin del capital de las empresas aseguradoras .........
24
4.2. Exigencias actuales de capital: Solvencia I ..................................
27
4.3. Requisitos de capital en Solvencia II: el Pilar I .............................
28
4.4. La intervencin del supervisor: Pilar II ..........................................
31
4.5. Requisitos de informacin -disclosures-: Pilar III..........................
32
OTROS ASPECTOS .............................................................................
32
5.1. Definicin de capital aceptable .....................................................
33
5.2. Tratamiento de las empresas pequeas ......................................
33
5.3. Temas referidos a grupos .............................................................
33
5.4. Cooperacin entre reguladores ....................................................
33
LA ELECCIN DE LA MEDIDA DEL RIESGO: VaR vs. TVaR ............
34

CAPTULO 2
MECANISMOS PREVIOS DE MEDICIN DEL RIESGO.............................
39
1.-
EL SISTEMA ACTUAL: SOLVENCIA I..................................................
39
2.-
OTROS MODELOS DE MEDICIN DEL RIESGO...............................
43
2.1. El modelo bancario: Basilea II ......................................................
43
2.2. El modelo norteamericano ............................................................
43
2.3. El modelo britnico........................................................................
44
2.4. El modelo suizo .............................................................................
46
EL SISTEMA RBC AMERICANO ..........................................................
46
3.1. RBC para compaas de no vida ..................................................
47
3.2. RBC para compaas de vida .......................................................
49
EL TEST SUIZO DE SOLVENCIA SST- .............................................
51
4.1. Introduccin e ideas generales .....................................................
51
4.1.1. Objetivo ...............................................................................
51
4.1.2. Transparencia .....................................................................
52
4.1.3. Valor consistente de activos y de pasivos ..........................
52
4.1.4. Incentivos para la gestin del riesgo ..................................
52
4.1.5. Ausencia de quiebra ...........................................................
53
4.1.6. Compatibilidad con Solvencia II..........................................
53
4.1.7. Capital mnimo y capital objetivo ........................................
54
4.1.8. Ejemplos de mecanismos basados en el riesgo ................
54
4.2. Concepto .......................................................................................
55
4.2.1. Elementos clave del SST....................................................
55
4.2.2. Modelos estndar, escenarios y su agregacin .................
55
4.2.3. Modelo estndar .................................................................
55
4.2.4. Valoracin consistente con el mercado ..............................
56
4.2.5. Capital objetivo....................................................................
56
4.2.6. Riesgos incluidos ................................................................
56
4.3. Valoracin consistente con el mercado ........................................
57
4.3.1. Activos.................................................................................
57
4.3.2. Pasivos................................................................................
57
4.4 Margen de riesgo ..........................................................................
58
4.5. Reaseguro.....................................................................................
58
4.6. Modelo estndar ...........................................................................
59
3.-
4.-

5.-
4.6.1. Modelo para activos ............................................................
59
4.6.2. Modelo para seguros de vida..............................................
60
4.6.3. Modelo para seguros no vida..............................................
61
4.6.4. Modelo para el seguro de salud..........................................
63
4.6.5. Modelo para el riesgo de crdito (Basilea II) ......................
63
4.7. Escenarios.....................................................................................
63
4.8. Agregacin de los escenarios con el modelo estndar ................
64
4.9. Modelos internos...........................................................................
64
4.10. El informe sobre el SST ................................................................
65
4.11. Riesgos operativos........................................................................
66
OBTENCIN DEL MARGEN DE RIESGO:

LA EXPERIENCIA DEL SST .................................................................
66
5.1. El enfoque suizo del MVM ............................................................
67
5.2. Pasos para calcular el MVM .........................................................
68
5.3. Ejemplo de clculo del MVM.........................................................
68
CAPTULO 3
DISEO DE UN MODELO GENERAL PARA EL CLCULO
DEL SCR DEL PILAR I..................................................................................
71
1.-
PRIMERA APROXIMACIN: EL QIS1..................................................
71
1.1. Aspectos tcnicos del QIS1 ..........................................................
72
1.1.1. El mejor estimador ..............................................................
73
1.1.2. El margen de riesgo ............................................................
74
PRIMERA APROXIMACIN ANALTICA GENERAL: QIS2.................
74
2.1. Hiptesis de valoracin: enfoque estndar o general ..................
75
2.2. Hiptesis de valoracin: enfoque del coste del capital.................
81
FRMULA ESTNDAR DEL SCR EN QIS2 ........................................
82
3.1. Clculo del SCR global .................................................................
82
3.2. SCR asociado al riesgo de mercado -SCRMDO-............................
86
3.2.1. El riesgo de tipos de inters -MDOint- .................................
87
3.2.2. Riesgo de cambio en la renta variable -MDORV- ................
89
2.-
3.-
3.2.3. Riesgo asociado a cambios en el valor de los

inmuebles -MDOprop-...........................................................
90
3.2.4. Riesgo asociado a los tipos de cambio -MDOfx-.................
91

3.3. SCR asociado al riesgo de crdito -SCRCR- .................................
93
3.4. SCR asociado al riesgo tcnico de plizas de vida -SCRV- .........
94
3.4.1. Riesgo de mortalidad -Vmort- ...............................................
94
3.4.2. Riesgo de longevidad -Vlong- ...............................................
97
3.4.3. Riesgo de morbilidad -Vmorb- ...............................................
98
3.4.4. Riesgo de discapacidad -Vdisc-............................................ 100

3.4.5. Riesgo de prdida de cartera -Vlap- .................................... 102
3.4.6. Riesgo de gastos -Vg- ......................................................... 103
3.5. SCR asociado al riesgo de enfermedad -SCRE- .......................... 103
3.5.1. Riesgo de gastos -Eg- ......................................................... 104
3.5.2. Riesgo por prdida / mortalidad /
cancelacin excesivas -Exs- ................................................ 104
3.5.3. Riesgo de epidemia o acumulacin -Eac- ........................... 105
3.6. SCR asociado al riesgo tcnico en no vida -SCRNV-.................... 105
3.6.1. Riesgo de primas -NVP- ...................................................... 106
3.6.2. Riesgo de reservas -NVRES-................................................ 108
3.6.3. Riesgo de catstrofe -NVCAT-.............................................. 110
3.7. SCR asociado al riesgo operacional -SCROP- .............................. 111
3.8. SCR: modelos internos como alternativa a la frmula estndar .. 111
4.-
REQUISITOS MNIMOS DE CAPITAL -MCR-...................................... 111

4.1. MCR transitorio basado en Solvencia I......................................... 112
4.2. Clculo de MCR tras la transicin................................................. 113
5.-
COMENTARIOS AL MODELO USADO EN QIS2 Y SUGERENCIAS

PARA SU INCORPORACIN EN QIS3................................................ 116
5.1. Comentarios generales sobre la elaboracin del QIS2 ................ 116
5.2. Cambios previstos en la estructura de la prueba ......................... 118
5.3. Sugerencias y cambios recomendados en los mdulos
de riesgo........................................................................................ 123
5.3.1. SCR para el riesgo de mercado (SCRMDO)......................... 123
5.3.2. SCR asociado al riesgo de impago de la
contrapartida (SCRdef)......................................................... 130
5.3.3. SCR para el riesgo tcnico de vida (SCRV)........................ 131
5.3.4. SCR asociado al riesgo tcnico de no vida (SCRNV).......... 135

6.-
MODIFICACIONES SUGERIDAS PARA EL CLCULO DEL MCR ..... 141

6.1. Cambio en la estructura modular del MCR................................... 141
6.2. Propuesta alternativa para la obtencin del MCR ........................ 143
6.3. Cambios para el periodo de transicin ......................................... 144
CAPTULO 4
DESARROLLO POSTERIOR DEL MODELO GENERAL
PRESENTADO: EL QIS3 ............................................................................. 145
1.-
TERCERA APROXIMACIN: QIS3 ...................................................... 145

1.1. Hiptesis de valoracin: enfoque general..................................... 145
1.2. Clculo del capital elegible ........................................................... 154
2.-
FRMULA ESTNDAR DEL SCR EN QIS3 ........................................ 154

2.1. Clculo del SCR global ................................................................. 155
2.2. SCR asociado al riesgo de mercado -SCRMDO-............................ 157
2.2.1. El riesgo de tipos de inters -MDOint- ................................. 158
2.2.2. Riesgo de cambio en la renta variable -MDORV- ................ 160
2.2.3. Riesgo asociado a inmuebles u propiedades -MDOprop- .... 164
2.2.4. Riesgo asociado a los tipos de cambio -MDOfx-................. 166
2.2.5. Riesgo asociado al diferencial -MDOsp-.............................. 168
2.2.6. Riesgo por concentraciones -MDOconc- .............................. 174
2.3. SCR asociado a la quiebra de la contrapartida reductora de
riesgo -SCRdef- .............................................................................. 176
2.4. SCR asociado al riesgo tcnico de vida -SCRV-........................... 179
2.4.1. Riesgo de mortalidad -Vmort- ............................................... 180
2.4.2. Riesgo de longevidad -Vlong- ............................................... 181
2.4.3. Riesgo de discapacidad -Vdisc-............................................ 182
2.4.4. Riesgo de suspensin -Vlap-................................................ 183
2.4.5. Riesgo de gastos -Vg- ......................................................... 183
2.4.6. Riesgo de revisin -Vrev- ..................................................... 184
2.4.7. Riesgo de catstrofe -VCAT- ................................................ 184
2.5. SCR asociado al riesgo tcnico de salud -SCRS-......................... 186
2.5.1. Riesgo de gastos -Sg- ......................................................... 186
2.5.2. Riesgo por siniestros / mortalidad / cancelacin -Ssin- ....... 188
2.5.3. Riesgo por acumulacin / epidemias -Sac- ......................... 189

2.6. SCR asociado al riesgo tcnico en no vida -SCRNV-.................... 190

2.7. Riesgo catastrfico de no vida -NVCAT- ........................................ 196
3.-
MCR
.............................................................................................. 197
3.1. Clculo global del MCR................................................................. 197

3.2. La reduccin por reparto de beneficios -RDB- ............................. 198
3.3. MCR asociado al riesgo de mercado -MCRMDO- .......................... 199
3.4. MCR asociado al riesgo tcnico de no vida -MCRNV-................... 202
3.5. MCR asociado al riesgo tcnico de vida -MCRV- ......................... 203
3.6. MCR asociado al riesgo de salud - MCRSS -.................................... 203
3.7. MCR absoluto -MCRA- ................................................................. 205
4.-
ESPECIFICACIONES PARA LA FRMULA ESTNDAR

EN GRUPOS.......................................................................................... 205
4.1. Definicin de grupo ....................................................................... 205
4.2. Riesgos que pueden afectar a un grupo....................................... 208
4.2.1. Enfoque alternativo para poner en prctica la frmula
estndar a nivel de grupo ............................................................. 212
4.2.2. Informacin sobre actividad en terceros pases ................. 212
4.3. Capital disponible.......................................................................... 213
CAPTULO 5
EL MTODO DE MONTE CARLO ............................................................... 215
1.-
INTRODUCCIN AL MTODO DE MONTE CARLO........................... 215
2.-
GENERACIN DE NMEROS Y VARIABLES ALEATORIAS............. 217

2.1. Generadores coherentes lineales simples.................................... 218
2.2. Generador de nmeros aleatorios de Fibonacci........................... 220
2.3. La generacin de nmeros aleatorios por el mtodo de la
inversin usando distribuciones continuas y discretas ................ 221
2.3.1. El mtodo de la inversin para distribuciones continuas .. 221
2.3.2. El mtodo de la tabla de bsqueda para las distribuciones
discretas ............................................................................. 223

3.-
OTROS MTODOS DE GENERACIN DE NMEROS ALEATORIOS

A PARTIR DE DISTRIBUCIONES CONTINUAS Y DISCRETAS......... 233
3.1. El mtodo de la aceptacin-rechazo............................................. 233
3.2. El mtodo de la composicin de funciones .................................. 237
3.3. Distribucin Normal Multivariante ................................................. 240
4.-
ESTIMACIN DE INTEGRALES. TCNICAS DE REDUCCIN

DE LA VARIANZA ................................................................................. 242
4.1. El mtodo de Monte Carlo de aciertos o errores -Hit or miss- ..... 242
4.2. El mtodo de la media muestral ................................................... 246
4.3. Medicin de la eficiencia de los mtodos ..................................... 247
4.4. Tcnicas de reduccin de la varianza........................................... 249
4.4.1. Mtodo de la importancia relativa -Importance sampling-.. 249
4.4.2. Mtodo de las variables de control -control variates- ......... 251
CAPTULO 6
EL BOOTSTRAP .......................................................................................... 255
1.-
INTRODUCCIN AL CONCEPTO DE BOOTSTRAP .......................... 255
2.-
MUESTRAS ALEATORIOS Y PROBABILIDADES............................... 256
3.-
LA EXACTITUD DE LA MEDIA MUESTRAL ........................................ 261
4.-
EL ESTIMADOR BOOTSTRAP DEL ERROR TPICO ......................... 263

4.1. El bootstrap no paramtrico .......................................................... 263
4.2. El bootstrap paramtrico ............................................................... 266
5.-
BOOTSTRAP PARA ESTRUCTURAS MS COMPLEJAS.................. 267

5.1. Bootstrap con bloques mviles ..................................................... 273
5.2. Bootstrap aplicado al modelo de regresin lineal ......................... 275
6.-
ESTIMADORES DEL SESGO............................................................... 278

6.1. El estimador bootstrap del sesgo.................................................. 278
6.2. Un estimador mejorado del sesgo ................................................ 280
6.3. El Jackknife y su estimador del sesgo .......................................... 282
6.4. Correccin del sesgo .................................................................... 284
7.-
INTERVALOS DE CONFIANZA BASADOS EN TABLAS BOOTSTRAP 284

7.1. Intervalos con la t de Student ....................................................... 286
7.2. Intervalos con la t-bootstrap.......................................................... 286

8.-
INTERVALOS DE CONFIANZA BASADOS EN PERCENTILES

BOOTSTRAP......................................................................................... 288
8.1. Intervalos normales estndar........................................................ 288
8.2. Intervalo basado en percentiles .................................................... 289
9.-
EVALUACIN DEL ERROR EN LOS ESTIMADORES BOOTSTRAP 293

9.1. Estimacin del error tpico............................................................. 293
9.2. El Jackknife posterior al bootstrap -JPB- ...................................... 295
CAPTULO 7
EJEMPLOS PRCTICOS CON MONTE CARLO Y BOOTSTRAP ............ 299
1.-
VARIACIONES DE PRECIO EN UN TTULO DE RENTA FIJA ........... 299
2.-
VALORACIN DE UN ACTIVO CON RIESGO .................................... 302
3.-
VALORACIN DE OPCIONES CALL Y PUT ....................................... 305

3.1. Opcin put ..................................................................................... 305
3.2. Opcin call..................................................................................... 308
4.-
COMBINACIN DE ACTIVO Y OPCIN PUT ..................................... 309

4.1. VaR en el caso en el que no se poseen opciones put ................. 310
4.2. VaR en el caso en el que s se posee cobertura .......................... 311
5.-
VaR PARA CARTERAS CON MS DE UN ACTIVO............................ 314
6.-
APLICACIN DEL BOOTSTRAP AL CLCULO DE TRINGULOS

DE RUN OFF ......................................................................................... 317
6.1. Caso normal: valor nominal sin inflacin ...................................... 319
6.2. Valor actual de la provisin ........................................................... 325
6.3. Consideracin de la inflacin: valores nominales......................... 327
6.4. Caso con inflacin: valor actual .................................................... 330
BIBLIOGRAFA ............................................................................................. 333

NORMATIVA CONSULTADA ....................................................................... 349
Coleccin Cuadernos de la Fundacin ................................................. 351

CAPTULO 1
LOS FUNDAMENTOS DEL PROCESO DE SOLVENCIA II
1. INTRODUCCIN Y MOTIVACIONES DEL CAMBIO
El negocio financiero, entendido de forma general, se dedica a la transferencia
de fondos y riesgos de unos agentes a otros, en operaciones con duracin
variable en el tiempo. Si las transacciones as generadas tuviesen un final feliz,
es decir, que los fondos retornasen al agente que los coloc sin ningn
contratiempo, entonces el precio por realizar esos intercambios slo reflejara la
traslacin de las unidades monetarias de unos periodos a otros y la
recompensa por trasladar el uso y disfrute de esos fondos hacia el futuro. Sin
embargo, sto no siempre es as y existe la posibilidad de que los fondos no
retornen en la forma pactada o que se produzca un conjunto de circunstancias
que lo impiden. Por esta razn, junto con los fondos, las operaciones
financieras transfieren riesgos, y as, la remuneracin de los mismos deber
reflejar no slo las componentes expuestas anteriormente sino tambin la
posible ocurrencia de esas contingencias.
Para hacer frente al impacto negativo que suponen estas eventualidades, las
entidades financieras, bancos y aseguradoras, deben disponer de un
excedente de fondos que sea capaz de absorber las posibles prdidas que se
puedan producir. Llegados a este punto, cabra preguntarse por cul debera
ser el importe ptimo de esos fondos. Cabe sealar que hablar de optimalidad
no es una cuestin balad pues los objetivos que debe atender una entidad
financiera o aseguradora son mltiples y muchos de ellos contrapuestos entre
s. As, a mayor cantidad de fondos, mayor seguridad y tranquilidad pero menor
cantidad disponible para operar, con lo que se pierde en rentabilidad. Cabra
apostar por la autorregulacin por parte de las entidades, las cuales deberan
saber elegir la combinacin adecuada seguridad - rentabilidad, pero su decisin
seguramente olvidara, o al menos tendra en un segundo plano, que existen
agentes interesados en este tipo de empresas distintos a los dueos, gerentes
o trabajadores, como son los acreedores y/o los asegurados. Por ello, se hace
precisa la existencia de una norma de obligado cumplimiento para todas las
entidades en las que se establezcan las reglas para la fijacin de esos fondos
de salvaguarda.
Hasta ahora la fijacin de esas cantidades se realizaba usando ratios o
importes mnimos. Por ejemplo, hasta hace no mucho, en el negocio bancario
se exiga que los capitales propios deberan ser, al menos, equivalentes al
ocho por ciento del activo total, ponderando cada partida por un coeficiente que
reflejase el riesgo. En el negocio asegurador, las exigencias de capital se
1

establecen en funcin del nivel de primas y/o siniestralidad acaecida. Si bien es

cierto que ambas medidas consideran la influencia del riesgo no lo es menos
que, o bien no consideran todas las posibles causas capaces de generar
prdidas a la entidad -por ejemplo, hasta ahora, no se consideraba en absoluto
las prdidas que se pudieran experimentar por fallos en la operativa- o bien,
tena una dimensin atemporal del riesgo, es decir, una misma causa tiene
siempre el mismo impacto en los resultados de la entidad.
Todo esto ha ido cambiando en los ltimos aos. La generalizacin del uso en
la banca de mecanismos basados en el VaR -Value at Risk- supuso la
aceptacin del hecho de que el riesgo no slo se puede medir -que ya se haca
antes de l por otros mecanismos ms rudimentarios- sino que el impacto en
los resultados de los fenmenos generadores de riesgo es variable. La
generalizacin de estos enfoques ha servido para cuantificar no slo el riesgo
de mercado, sino tambin el asociado al impago de contrapartidas -riesgo de
crdito-. Una evolucin natural ha sido la aceptacin de la mltiple naturaleza
del riesgo, lo cual implica que existen diversas causas generadoras de
prdidas. Todo ello se ha plasmado en los acuerdos de Basilea II para el
mbito bancario y ms tarde en la Directiva Comunitaria sobre requisitos de
Capital1.
El negocio asegurador est intentando no perder la estela que suponen estas
innovaciones y normativas. As, en estos instantes se est trabajando en la
transposicin de estos principios a su mbito de actuacin, pero intentando
respetar las peculiaridades propias del mismo. Por ello, no slo se realizan
trabajos tcnicos sobre el tema, sino que esos estudios servirn de base para
una futura normativa que fije los mecanismos con el fin de que los recursos
propios de las aseguradoras sean los adecuados para garantizar el
cumplimiento de todos los objetivos que se fijan las compaas teniendo en
cuenta los distintos perfiles de riesgo con los que operan en los mercados. Por
ello, la Comisin Europea est preparando una nueva directiva que regule la
solvencia del negocio asegurador en todas sus ramas: vida, no vida y
reaseguro. Se espera que dicha Directiva est lista en la ltima mitad del ao
2008. En ella se sentarn las bases para un posterior desarrollo de toda la
normativa sobre el tema en cuestin, la cual se elaborar siguiendo el llamado
enfoque Lamfalussy, el cual se explicar ms adelante. Est previsto que la
entrada en vigor sea en el ao 2010.
El tema de la solvencia no es nuevo ni su regulacin es algo que haya pasado
desapercibida a las autoridades comunitarias. De hecho, ya existen directivas
al respecto y normas posteriores que las perfeccionan y complementan. Sin
embargo, este conjunto de normas se elaboraron en un tiempo y unas
circunstancias que poco o nada tienen que ver con la actual coyuntura. Es por
ello que la Directiva en elaboracin, a la que comnmente se la denomina
1
Realmente son dos, aunque la referida a estos aspectos es la segunda de ellas. Son:
Directiva 2006/48/CE del Parlamento Europeo y del Consejo de 14 de junio de 2006,
relativa al acceso a la actividad de las entidades de crdito y a su ejercicio (refundicin)
Directiva 2006/49/CE del Parlamento Europeo y del Consejo de 14 de junio de 2006, sobre
la adecuacin del capital de las empresas de inversin y las entidades de crdito
(refundicin)
2
Solvencia II, tiene por finalidad, no ya cubrir un vaco, sino acompasar la norma
a las situaciones actuales. Por ello, antes de empezar a explicar qu es y en
qu consiste, o mejor dicho, qu es lo que presumiblemente ser, conviene
situarla en el contexto actual. Para ello, conviene diferenciar entre el contexto
econmico y el contexto poltico de la normativa que se est preparando.
2. ENTORNO EN EL QUE SE PREPARA SOLVENCIA II
2.1. Contexto econmico
Es sobradamente conocido que la consecucin del mercado nico europeo en
todos los sectores est dentro de las prioridades y objetivos fundamentales de
la UE. Se espera que las reformas previstas en Solvencia II puedan contribuir a
lograrlo en el mbito del seguro, fortaleciendo la funcin de las aseguradoras
como inversores institucionales, poniendo en vigor una normativa que permite
lograr un adecuado nivel de proteccin para los asegurados y fomentando la
estabilidad del sistema financiero en su conjunto.
Conviene recordar que el negocio asegurador contribuye al crecimiento
econmico y a la prosperidad de muy diversas formas. Desde un punto de vista
macroeconmico, permite un mayor grado de eficiencia facilitando la
transferencia de riesgos de unos agentes a otros, mientras que desde un punto
de vista microeconmico, ayuda a que los individuos minimicen el impacto de
acontecimientos ni esperados ni deseados, lo cual les permite organizar con
mayores dosis de certidumbre. Adicionalmente, el negocio asegurador tambin
ofrece la posibilidad de colocar los excedentes financieros y satisfacer
necesidades tales como las pensiones de jubilacin. Es decir, el seguro permite
que los individuos suavicen sus rentas a lo largo de su tiempo vital. Prueba de
la importancia de este sector es que, segn cifras de 2004, el mercado
asegurador formado por los 25 pases miembros de la UE era el mayor del
mundo, ligeramente por delante de los Estados Unidos2. Hay que hacer constar
que, segn cifras de 2005 y 2006, Estados Unidos supera muy ligeramente a la
UE de los 253.
Una regulacin adecuada del sector debera tener en cuenta la diversidad que
existe dentro de este negocio. Uno de los ejemplos ms claros, a nivel de toda
la Unin Europea, lo constituye el mercado de Londres, centro de primer orden
del seguro internacional y del reaseguro, donde se manejan riesgos de elevada
exposicin y se ofrecen una proporcin significativa de las coberturas a
compaas areas y martimas. Dado que una buena parte de los clientes de
este mercado son a su vez aseguradoras, resulta bastante evidente que los
requisitos regulatorios han de lograr simultneamente una adecuada proteccin
de los asegurados junto con la consecucin de unas coberturas adecuadas a
unos precios competitivos. A su vez, este equilibrio es diferente del que se
necesita en el tramo minorista.
2
Swiss Re (2005): World Insurance in 2004 growing premiums and stronger balance sheets, Sigma
n 2, Statistical appendix.
Swiss Re (2007): World insurance in 2006: premiums came back to "life", Sigma n 4.
3
La creciente globalizacin de los servicios es una de las claves del contexto en

el que se mueve el sector. Algunos de los retos implcitos en el entorno
cambiante son, para compaas y reguladores, los siguientes:
permitir una adecuada integracin que permita lograr el crecimiento

econmico
asegurar que el sector de servicios financieros d la respuesta adecuada
a los nuevos cambios
asegurarse que el sector de servicios financieros siga siendo competitivo
Como se indicaba anteriormente, la regulacin sobre la solvencia de entidades

aseguradoras viene de atrs, concretamente de los aos 70 del pasado siglo,
poca en la que el sector era menos abierto, competitivo y dinmico de lo que
lo es hoy. Desde entonces, muchas cosas han cambiado, en especial las
innovaciones financieras. En el sector asegurador los cambios se pueden
resumir en los siguientes:
a)
b)
c)
d)
e)
aumento de la competencia: las compaas se han expandido ms all de

sus fronteras nacionales y se ha acelerado la integracin en los servicios
financieros con bancos que ofrecen productos de seguro.
desarrollo de los mercados financieros, entendido tanto como aparicin de
nuevos productos como un mayor grado de integracin. Ambos factores
han mejorado el acceso de las aseguradoras a mercados ms profundos
y tambin han mejorado su habilidad para evaluar correctamente los
riesgos.
mejoras en la modernizacin del riesgo y en la gestin, especialmente con
la introduccin y uso de modelos del tipo VaR.
cambios en la distribucin, fomentados por el desarrollo de las ventas por
canales tales como el telfono o internet.
reforma del Estado del Bienestar, motivada por los cambios demogrficos
los cuales presionan sobre los sistemas pblicos de pensiones y estn
consiguiendo un aumento en la demanda de productos tales como los
planes de pensiones.
Desde comienzos de este siglo, la Comisin Europea viene trabajando en la

reforma del sistema de fijacin del nivel de capital en las entidades
aseguradoras. Los objetivos buscados son:
1)
2)
3)
proteccin de los asegurados,

establecimiento de unas exigencias de capital ms acordes con los
riesgos soportados y
establecimiento de principios, no de normas
Este proceso tuvo una primera culminacin en 2003, cuando los servicios de la
Comisin elaboraron una nota explicativa4 sobre el diseo del futuro sistema de
4
Comisin Europea, D.G. Mercado Interior (2003): Concepcin de un futuro sistema de control
cautelar en la UE. Recomendaciones de los servicios de la Comisin, MARKT/2509/03. Bruselas,
3 de marzo de 2003.
4
clculo de los capitales de solvencia. El sistema trata de llevar al mbito del

seguro lo que es Basilea II en el mbito bancario. Por ello, y al igual que en
citado esquema, el sistema se articula en torno a tres pilares que sern
detallados posteriormente. Otros aspectos clave de Solvencia II sern los
siguientes:
1)
2)
3)
articulacin en torno a dos cifras de capital:

a) una, que podramos denominar capital econmico, que sera la
cantidad asociada al riesgo que se soporta y
b) otra, que podramos denominar capital legal, que sera el importe
mnimo que una compaa debera tener.
armonizacin de los mtodos cuantitativos y cualitativos de supervisin.
incorporacin de desarrollos internacionales para promover una mayor
convergencia con organizaciones como la IAIS, IAA y la IASB5, en temas
como el establecimiento de normas relativas al nivel de capital adecuado.
El eje central del nuevo sistema est en el cambio de criterio a la hora de

calcular la cantidad de capital de solvencia, pues se pasa de fijar ste como
una funcin del riesgo de suscripcin -primas- a hacerlo depender del nivel de
riesgo soportado en todas y cada uno de las esferas en las que se desarrolla la
actividad de una aseguradora.
Para llegar hasta esa meta, conviene hacer un poco de memoria y recordar que
la preocupacin por la solvencia no es nueva en la UE. Las primeras normas
datan de 1973 y 19796, en las cuales se impone la creacin de un colchn de
capital capaz de absorber los resultados de los cambios imprevistos. Con la
apertura de mercados en los 90, estas normas aumentan su importancia a
partir de la tercera generacin de Directivas comunitarias sobre seguros, a
partir de 1994, con las cuales se abolieron los controles de precios y productos
en toda la UE. Las normas de solvencia se concibieron como unos requisitos
mnimos comunes para toda la UE dejando plena libertad a los estados
miembros para establecer criterios ms rigurosos si as lo decidan.
Toda la normativa relativa a Solvencia ha sido modificada recientemente. Es lo
que se ha denominado Solvencia I. Los cambios se han centrado en los
siguientes aspectos:
publicacin de dos directivas, una para vida y otra para no vida, en las
que se modifican los requisitos del margen de solvencia7,
5
Son, respectivamente, las siglas de International Association of Insurance Supervisors,

International Actuarial Association y de International Accounting Standard Board.
Para los seguros de no vida, la Primera Directiva del Consejo 73/239/CEE y para los seguros de
vida, la Primera Directiva del Consejo 79/267/CEE.
Son la Directiva 2002/13/CE del Parlamento Europeo y del Consejo de 5 de marzo de 2002 por la
que se modifica la Directiva 73/239/CEE del Consejo en lo que respecta a los requisitos del
margen de solvencia de las empresas de seguros distintos del seguro de vida y la Directiva
2002/83/CE del Parlamento Europeo y del Consejo, de 5 de noviembre de 2002, sobre el seguro de
vida.
5
aparicin de una Directiva que regula la actividad aseguradora dentro de

los conglomerados financieros8, la cual se aade a la de 1998 sobre
grupos aseguradores9,
publicacin de la Directiva que regula el reaseguro10 y
directivas que establecen los requisitos para la reorganizacin y quiebras
de aseguradoras -el llamado winding-up-11.
De forma ideal, los requisitos de capital para solvencia deberan ser los
siguientes:
a)
b)
c)
d)
reducir el riesgo de que un asegurador sea incapaz de hacer frente al

pago de los siniestros,
reducir las prdidas sufridas por los asegurados en caso de que la
empresa quiebre,
facilitar a los reguladores un sistema de alertas que les permitiese
intervenir siempre que el capital se situase por debajo de determinados
niveles y
promover la confianza en la estabilidad del sector asegurador.
De todos ellos, la actual legislacin europea sobre el tema ofrece un colchn de

capital que contribuye a la proteccin del asegurado pero que no es tan
efectiva para el resto de objetivos, especialmente, la existencia de un sistema
de alertas tempranas necesita que el nivel de capital fuese acorde con el nivel
de riesgo que cada compaa soporta. Aunque Solvencia I ofrece una
adecuada proteccin a los asegurados falla en otros aspectos pues supone
cargas para las compaas que ayudan a distorsionar el mercado. Existen
numerosos ejemplos que muestran que la actual legislacin europea contribuye
a que el capital que la norma exige -capital regulatorio- sea distinto del que
debera existir, de acuerdo a los riesgos que se soportan -capital econmico-.
As:
a)
b)
el margen de solvencia de los aseguradores no vida depende del nmero

de contratos y no del riesgo inherente a esos contratos.
la normativa exige que las provisiones tcnicas se calculen con prudencia,
concepto vago y difuso que lleva a que las provisiones se doten de forma
arbitraria.
Directiva 2005/1/CE, del Parlamento Europeo y del Consejo, de 9 de marzo de 2005, por la que se
modifican las Directivas 73/239/CE, 85/611/CEE, 91/675/CEE, 92/49/CEE y 93/6/CEE del
Consejo y las Directivas 94/19/CE, 98/78/CE, 2000/12/CE, 2001/34/CE, 2002/83/CE y
2002/87/CE, a fin de establecer una nueva estructura organizativa de los comits de servicios
financieros.
Directiva 98/78/CE, del Parlamento Europeo y del Consejo, de 27 de octubre de 1998, relativa a la
supervisin adiciona de las empresas de seguros y de reaseguros que formen parte de grupos de
seguros o de reaseguros (a partir de ahora se la denominar por sus siglas en ingls, IGD).
10
Directiva 2005/68/CE del Parlamento Europeo y del Consejo, de 16 de noviembre de 2005 sobre
el reaseguro.
11
Directiva 2001/24/CE del Parlamento Europeo y del Consejo, de 4 de abril de 2001, relativa al
saneamiento y a la liquidacin de las entidades de crdito.
6
c)
d)
e)
f)
los beneficios de la agrupacin y diversificacin de riesgos se reconocen

de manera muy limitada. En concreto, los requisitos de capital slo
recogen de forma muy parcial el reaseguro y otras formas de reduccin
del riesgo.
los grupos de compaas no se pueden beneficiar de la diversificacin
que existe entre los riesgos en sus filiales.
para el negocio de vida, la interaccin que existe entre las provisiones
tcnicas y el margen de solvencia puede ocasionar efectos perversos en
los casos en los que altas dosis de prudencia en las provisiones tcnicas
conducen a un aumento en el margen de solvencia.
el riesgo de los activos no est recogido en los requisitos de capital. En su
lugar se recogen restricciones cuantitativas las cuales pueden distorsionar
la formacin de carteras.
El propsito de paliar estas lagunas es lo que puso en marcha todo el proceso

que presumiblemente llevar a la nueva normativa de solvencia con la cual se
esperan conseguir los siguientes objetivos:
fortalecimiento de la proteccin a los asegurados con unos requisitos de

capital que permitan dar seales tempranas de deterioro en la situacin
patrimonial de la aseguradora,
otorgamiento a las aseguradoras de plena libertad a la hora de elegir su
perfil de riesgo, siempre y cuando posean un adecuado nivel de capital,
coincidencia de las exigencias legales de capital con las exigencias
econmicas, para lo cual se reconocen los beneficios asociados a la
diversificacin dentro de las empresas y entre filiales y
estimular mejoras posteriores en la calidad de la gestin del riesgo.
Respecto a este ltimo punto hay que decir que el sector europeo del seguro
est adaptando modelos cada vez ms complejos y que esta tendencia se ve
favorecida por el nuevo entorno creado en torno a Solvencia II. Como
resultado, muchas empresas deberan afrontar gastos para cumplir las
exigencias del nuevo marco regulador. A fin de minimizar costes, Solvencia II
debera considerar los modelos de gestin del riesgo ya existentes y los
desarrollos que ya estn en marcha.
Otras ventajas asociadas a crear un marco regulador basado en el riesgo
soportado seran las siguientes:
1.
2.
3.
4.
5.
una asignacin ms eficiente del capital dentro del sector asegurador

simplificacin del acceso al mercado de otros Estados miembros y el
establecimiento de negocios transnacionales con mayores economas de
escala
mejora en la competencia dentro de los mercados nacionales
aparicin de ms y ms productos diferenciados y
ms oportunidades para agrupar riesgos
Como parte de los trabajos preparatorios de Solvencia II, los reguladores

analizaron la evidencia disponible de quiebras en empresas aseguradoras,
encontrndose que las principales causas de las mismas estaban relacionadas
7
con temas de calidad en la gestin y en la toma de decisiones inadecuadas

ms que en una inadecuada capitalizacin12.
2.2. Contexto poltico y normativo
Dentro del contexto poltico y normativo de Solvencia II se comentarn las
siguientes cuestiones: el papel que ocupa dentro de las dems reformas que se
estn llevando a cabo en la UE, su relacin con la regulacin bancaria de
solvencia y las NIC.
2.2.1. Solvencia II dentro de las reformas comunitarias
La idea de actualizar la normativa sobre solvencia arranca de finales de los 90.
Desde ese momento, se han producido mltiples cambios, no slo en el mbito
de la UE sino tambin en otros pases al igual que en las esferas de las normas
contables y de la supervisin bancaria. De todos estos cambios los principales
son:
el llamado Plan de Accin en los Servicios Financieros -o FSAP segn

sus siglas en ingls- en el que se incluye el desarrollo del llamado
enfoque Lamfalussy.
la Directiva de Requisitos de Capital -CRD segn sus siglas en ingls- en

la cual se incluyen los acuerdos de Basilea II para el mbito de la UE y
cambios en la regulacin de conglomerados financieros.
el desarrollo de los Estndares Internacionales de Informacin Financiera

-IFRS segn sus siglas en ingls-, especialmente en lo relativo a la
valoracin de contratos de seguros.
desarrollos normativos en algunos estados miembros de la UE.

En marzo de 2000 el Consejo Europeo de Lisboa aprob el FSAP, conjunto de
42 medidas destinadas a completar el mercado nico en servicios financieros,
para lo cual se haca necesario:
a)
b)
c)
reducir el coste de acceso al capital y mejorar la distribucin del capital

dentro de la UE.
dar a las empresas nuevas oportunidades de acceso a los mercados de
otros Estados miembros y permitir el desarrollo de negocios
transnacionales.
dar a los consumidores de servicios financieros la posibilidad de acceder
a productos a precios ms competitivos.
Los objetivos especficos del FSAP son:

1)
2)
3)
lograr un mercado nico a escala mayorista,

lograr un mercado abierto y seguro para los consumidores y
disponer de normas reguladoras y de supervisin actualizadas.
12
Sharma, P. (2002): Prudential Supervision of Insurance Undertakings. Conference of Insurance

Supervisory of the Member States of the European Union. December 2002.
8
Tanto la Comisin como el Parlamento Europeo y los Estados miembros han

logrado avances sustanciales en la consecucin de estos objetivos en los
ltimos cinco aos gracias al FSAP. No obstante, no son suficientes y se
plantea seguir avanzando en la profundizacin y consolidacin de lo ya
conseguido. Para ello, la Comisin ha decidido, y los Estados miembros lo han
aceptado, que para llevar adelante el programa de Solvencia II se aplique el
llamado enfoque Lamafalussy13.
Las actuales Directivas dan soporte a una legislacin para los Estados
miembros y permiten que las aseguradoras tengan un marco para poder
prestar sus servicios en otros pases de la UE. Sin embargo, existen mltiples
reas en las cuales la legislacin, lejos de fijar criterios y normas claras y
precisas, da pie a mltiples interpretaciones, lo cual ha conducido a una
fragmentacin de la regulacin en la Unin que ha permitido la creacin de
barreras entre los Estados y han impedido la formacin de un mercado nico.
Entre estas reas de conflicto tenemos las siguientes:
1)
ausencia de criterios armonizados para la valoracin de los compromisos

contrados por las aseguradoras, pues la definicin actual es realmente
vaga haciendo difcil entender la autntica posicin de una compaa en
comparacin con otra en otro Estado miembro.
2)
inexistencia en sentido estricto de una norma comn relativa a la

solvencia para toda la UE. El actual marco ha conducido a que los
Estados miembros hayan completado las Directivas con normas
nacionales.
3)
omisin de cobertura de riesgos relevantes: el actual sistema no

considera el riesgo de crdito a la hora de fijar los requisitos de capital. En
13
En lneas generales, es un esquema de estructuracin del proceso de puesta en marcha de las

normativas europeas. Consta de cuatro niveles, que, para este caso seran:
Nivel 1: la Comisin Europea comienza formalmente el proceso de elaboracin de una

Directiva tras un proceso de consultas completo con el Parlamento Europeo y el Consejo. En
este nivel se acuerdan los principios de regulacin del trabajo y se indica hasta dnde pueden
llegar los poderes de aqullos a quien se les ha encomendado la tarea de preparar la norma.
Nivel 2: tras consultar con el EIOPC -European Insurance and Ocupational Pensions
Committee-, la Comisin Europea solicita la ayuda tcnica del CEIOPS -Committee of
European Insurance and Ocupational Pensions Supervisors- para la puesta de marcha de
medidas tcnicas. Tras consultar con los participantes del mercado, usuarios finales y
consumidores, el CEIOPS prepara un conjunto de medidas y las comunica a la Comisin
Europea. La Comsin las examina y eleva una propuesta al EIOPC, el cual las vota. Si tales
propuestas son aceptadas por el EIOPC, la Comisin Europea adopta la medida.
Nivel 3: el CEIOPS se centra en trabajar sobre recomendaciones, lneas maestras, procesos

comunes, grupos de consulta y en la comparacin de los mtdos de supervisin con el fin de
lograr una mejor convergencia hacia el objetivo fijado.
Nivel 4: la Comisin Europea comprueba que los Estados Miembros cumplan con la
legislacin comunitaria pudiendo tomar acciones legales contra aqullos que la infrinjan.
9
su lugar, impone lmites a la exposicin, lo cual lleva a diferentes

interpretaciones por cada Estado miembro14.
4)
tratamiento de la supervisin de grupos: la Directiva de Grupos de

Seguros -IGD- introduce una forma de supervisin parcial a nivel de
grupo, comparando el capital exigido al grupo en su conjunto con el que
resultara de sumar el exigido a todas las filiales.
2.2.2. Consistencia con la regulacin bancaria de solvencia

La Directiva de Requisitos de Capital -CRD- actualiza el sistema de regulacin
bancaria de la UE. En lneas generales, permite a los bancos una respuesta
flexible a las exigencias del mercado siempre que tengan plenamente
identificados los riesgos y tengan un nivel adecuado de capital y sistemas de
control para manejar los riesgos. La Comisin ha propuesto que las
aseguradoras sigan un esquema similar al propuesto en Basilea II, basado en
tres pilares:
Pilar I. Requisitos mnimos de capital: fijacin de unas normas comunes

para la valoracin de activos y pasivos y para el clculo de los requisitos
de capital.
Pilar II: Procesos de supervisin que ayuden a garantizar que las

aseguradoras tienen adecuados sistemas de gestin y control de riesgos,
adems de un adecuado nivel de capital.
Pilar III: Informacin y disciplina de mercado: fijacin de requisitos que

permitan la comparacin de capitales entre entidades.
Un aspecto fundamental en el proceso es garantizar que Solvencia II sea capaz

de adoptar adecuadamente la estructura de los tres pilares a la vez que permite
recoger las peculiaridades del negocio asegurador15. Se busca, adems, que la
normativa reguladora sea coherente con la existente en el negocio bancario. Si
ello se consigue, los beneficios asociados sern:
limitacin del potencial para la realizacin de arbitrajes basado en

distintas regulaciones entre sectores.
reduccin de la complejidad reguladora en los conglomerados financieros.
14
As, algunos Estados miembros solicitan a las empresas la venta de todo activo que supere el lmite
establecido mientras que otros deducen del capital el exceso de activos.
15
Por ejemplo, dentro del negocio bancario salvo en los bancos de inversin, un riesgo bsico es el
de crdito. Sin embargo, en el negocio asegurador, salvo en el riesgo de crdito asociado a las
reaseguradoras, tiene menor importancia siendo los ms relevantes algunos de largo plazo y ms
propensos a los cambios, como puedan ser los cambios en el entorno legal que, por otra parte, son
ms difciles de cuantificar.
10
menores costes para los reguladores de servicios financieros que adoptan

una forma unificada -tipo FSA britnica- y para aqullos con enfoques
reguladores comunes entre sectores -tipo Banco de Espaa y DGSFP
espaoles-.
La consistencia en la regulacin de ambos sectores es particularmente

importante para lograr hacer efectivo el principio de igual riesgo, igual cantidad
de capital en ambos sectores. A fecha de hoy, esto es imposible. Para ilustrar
la situacin actual basta con el siguiente ejemplo: sea un crdito con un saldo
vivo de 100 euros, concedido a una compaa que posee un rating de A. Los
requisitos de capital sern, dependiendo del negocio, los siguientes:
Regulacin bancaria
Es un prstamo
comercial
Capital:
8% del saldo vivo = 8
Regulacin del seguro

de crdito
Tratado como seguro de
crdito que paga una prima
del 1% anual
Capital de solvencia:
6% de las primas
0,16% del saldo vivo = 0,16
Regulacin del seguro

de vida
Tratado como una
inversin
Coste del riesgo
de activo implcito:
3% del saldo vivo = 3
Fuente: FSA (2006): Solvency II: a new framework for prudential regulation of insurance in the
EU. A discussion paper.
2.2.3. Normas Internacionales de Contabilidad -NICEn los ltimos aos se han producido avances significativos en cuanto a las
llamadas NIC. Las empresas de la UE que cotizan en Bolsa han sido obligadas
a llevar su contabilidad usando las Normas Internacionales de Informacin
Financiera -NIIF- desde el 1 de enero de 2005, lo cual incluye la IFRS4 que,
por primera vez incorpora los contratos de seguros en el mbito de las IFRS.
Los requisitos de la IFRS4 reflejan los resultados de la primera fase de los
trabajos de la IASB sobre contratos de seguros. Sin embargo, la IASB espera
tener un modelo contable para tales productos en la segunda fase, la cual se
espera alcanzar no antes de 2009. La IASB ha dado algunas indicaciones
sobre la estructura posible de los modelos contables que est desarrollando,
especialmente en los contratos de no vida. As, en el resumen de su fase II, la
IASB seala que la valoracin de estos contratos debera:
reflejar estimaciones insesgadas de futuros flujos de caja

reflejar el valor temporal del dinero e
incluir ajustes que recojan la incertidumbre en los compromisos debido al
riesgo de suscripcin.
Estos principios son consistentes con el enfoque fijado por IAIS y fijan el marco
establecido por la Comisin para Solvencia II.
11
2.2.4. Desarrollos internacionales en la regulacin de Solvencia en seguros

La Comisin ha establecido que, el marco de Solvencia II, se ajuste a los
principios de la IAIS -ocho, agrupados en tres bloques-:
Bloque 1: Reconocimiento de los riesgos
P1: espera lograr la robustez del asegurador para cumplir con sus
compromisos tanto de corto como de largo plazo.
P2: ha de ser sensible al riesgo, indicando explcitamente qu riesgos,
individuales o en combinacin de ellos, han de ser regulados y cmo esos
riesgos se recogen en las exigencias.
P3: para cada uno de esos riesgos, se ha de indicar cmo se recoge la
prudencia.
Bloque 2: Valoracin de los compromisos
P4: se necesita una metodologa que haga un uso ptimo y consistente de la

informacin suministrada por los mercados financieros.
P5: se debe incluir la definicin de las provisiones tcnicas, las cuales han de
ser prudentes, realistas, objetivas y han de permitir la comparacin entre
aseguradoras.
P6: se debe determinar el mejor estimador del coste de hacer frente a los
compromisos incorporados en la cartera de seguros, teniendo en cuenta
el valor temporal del dinero y considerando como tipo de descuento el tipo
relevante libre de riesgo.
Bloque 3: Estimacin de los requisitos de solvencia y control de la

solvencia
P7: se establecer un rango de niveles de control y los instrumentos

asociados con cada uno de esos niveles de control.
P8: se permitir el uso de un conjunto de enfoques normalizados para
determinar los requisitos de solvencia, posibilitndose el uso de modelos
internos, si resultase apropiado.
En algunos pases, entre los que se encuentran Australia, Singapur, Canad,
Suiza, Reino Unido y Holanda, se han propuesto o introducido reformas en el
marco de las exigencias de solvencia. As, la FSA16 britnica ha introducido
nuevas exigencias basadas en el riesgo a partir del 1 de enero de 2005. En
resumen, el nuevo rgimen incorpora:
16
Aparece en los siguientes documentos de la FSA (2003):

Enhanced Capital Requirements and individual capital assessments for non-life insurers,
Consultative Paper 190.
Enhanced Capital Requirements and individual capital assessments for life insurers,
Consultative Paper 195.
12
nuevas valoraciones ms realistas para los compromisos asociados a

seguros de vida con reparto de beneficios y un enfoque ms sensible al
riesgo para la fijacin del capital exigido por la regulacin. En concreto, se
exige a las compaas de vida una valoracin ms realista de sus
compromisos, lo cual exige una valoracin correcta -fair value- de los
beneficios discrecionales, garantas y opciones. Para los compromisos
asociados al reparto de beneficios, el margen de capital en riesgo -Risk
Margin Capital o RCM- se basa en el valor neto de los activos bajo un
determinado conjunto de escenarios que recojan evoluciones adversas de
los precios, crditos y rescates. Para las compaas de no vida, los
llamados Requisitos Mejorados de Capital -Enhanced Capital
Requirements o ECR- se obtienen a partir de una frmula que da distintos
pesos a los activos, provisiones y primas.
autoevaluacin de las necesidades de capital para las compaas

mediante el uso de modelos internos.
3. ESTIMACIN DE LOS COMPROMISOS DE PAGO

3.1. Aspectos generales
Los contratos de seguros suponen la generacin de obligaciones para la
aseguradora basadas en la posible ocurrencia de siniestros en el futuro. Estos
compromisos tienen un elevado grado de incertidumbre tanto en su cuanta
como en el instante de tiempo en que se producirn.
Una estimacin insesgada de estos compromisos ayuda a las compaas,
inversores y dems implicados en ella a entender mejor cmo se gestiona el
riesgo en estas empresas. Valoraciones insesgadas reflejan la mejor
estimacin ms un adecuado margen de prudencia, el cual podra determinarse
a travs del coste de capital necesario por el mercado para soportar el riesgo
de mantener ese compromiso. Bajo las normas de las IASB, los activos en
poder de las compaas aseguradoras se valoran al llamado valor correcto -fair
value-: precio al que se podra llevar a cabo una transaccin con el acuerdo de
ambas partes. Para ello, se utiliza, siempre que se posible, el precio de
mercado. Cuando esto no es posible, es comn el uso de informacin de
mercado asociada a productos afines.
Hasta ahora, el enfoque tradicional para valorar las obligaciones de una
compaa de seguros buscaba acotar el riesgo asociado a desviaciones
adversas mediante la realizacin de estimaciones conservadoras. Las
Directivas actuales exigen una valoracin prudente pero aportan una escasa
gua sobre cunto y cmo debe ser esa prudencia. Los Estados Miembros
generalmente confan en las valoraciones usadas en los informes financieros
referidos a temas de prudencia, encontrndose diferentes enfoques a lo ancho
13
de la UE y diferentes niveles de prudencia17 que, segn un estudio sobre el

sector de seguros de vida en la UE18, es casi imposible hacer comparaciones
de solvencia con un cierto sentido entre aseguradoras de distintos pases.
El enfoque tradicional a menudo fracasa al reflejar cambios en la incertidumbre
subyacente asociada al compromiso objeto de estudio porque el margen
requerido flucta en funcin de otras variables tales como la tasa de descuento,
o simplemente porque no est cuantificado y por lo tanto, se puede usar para
ocultar los impactos de las prdidas inesperadas. Como resultado, pueden
darse cambios en la fortaleza del capital de una aseguradora sin que sea
evidente para el regulador y, a veces, incluso para la propia direccin de la
empresa. De esta forma, se retrasa tanto la respuesta adecuada de la direccin
como la intervencin del regulador aumentado el riesgo de insolvencia.
Este tipo de enfoques de valoracin prudente tuvo sentido en un contexto de
mercados domsticos cerrados a la competencia exterior, con una regulacin
detallada de los productos. Pero en un entorno como el actual, ms dinmico y
competitivo, las consecuencias de una respuesta tarda por la direccin es
probable que se materialicen ms rpidamente. Adems, la ausencia de
transparencia en las normas de valoracin y, por tanto, en la fortaleza del
capital de las aseguradoras, puede elevar sus costes de capital.
Si se desea que Solvencia II sea la base del desarrollo del mercado nico de
seguros creando las condiciones adecuadas en cuanto a requerimientos de
solvencia, es absolutamente necesario contar con un enfoque consistente para
la estimacin de los compromisos. Cualquiera que sea el enfoque que se elija
exigir a las empresas obtener el mejor estimador de sus compromisos y
cualquier margen adicional debera reflejar las caractersticas reales de riesgo
subyacente en los contratos de seguro.
Esta idea de obtener el mejor estimador y aadirle un margen es compartida
por los Estados miembros19. El mejor estimador -en ingls Best Estimate
Liabilities y a partir de ahora, ME- es la media o valor esperado de la
distribucin estadstica de pagos por siniestros que tambin:
tenga en cuenta una tasa de descuento apropiada para los pagos futuros,
calcule los compromisos netos de reembolsos por reaseguro,
evite la aplicacin inadecuada de valores mnimos de rescate -surrender
values floors-,
evale opciones y garantas incorporadas con su valor correcto -fair
value- e
17
KPMG / European Commission (2002): Study into the methodologies to assess the overall
financial position of an insurance undertaking from the perspective of prudential supervision, May
2002.
18
Mercer Oliver Wyman (2004): Life at the end of the Tunnel, June 2004.
19
European Commission (2005): Amended Framework for Consultation on Solvency II, MARKT
2506-04.
14
incluya los compromisos contractuales en los que el asegurador tiene

cierto poder discrecional sobre los beneficios. Es decir, los beneficios que
un asegurado espera razonablemente obtener y todos aqullos que un
asegurado podra legalmente obtener.
Estos requisitos suponen un cambio realmente significativo respecto de la

situacin actual. Por ejemplo, las directivas actuales prohben el descuento de
futuros compromisos en los contratos de no vida en algunos casos y en otros
deshace el efecto de cualquier descuento. Pero, cualquier estimacin del valor
de un flujo futuro que no tenga en cuenta el valor temporal del dinero est
sesgada.
Para el caso de los seguros de vida, las actuales Directivas exigen que para
cada contrato el compromiso estimado no debe ser menor que la cantidad que
un asegurado pudiese obtener si rescatase su pliza. Una estimacin ptima
exigira realizar hiptesis sobre tasas de rescate basadas en la experiencia de
la aseguradora. Finalmente, las normas actuales en vida generan un
infraprovisionamiento. Modelos deterministas de valoracin de opciones y
garantas implcitas en los contratos de seguros no reconocen adecuadamente
que incluso si esos elementos del contrato hoy no tienen valor para el
asegurado, s pueden tenerlo en el futuro, dependiendo del cambio en los
mercados. Este valor potencial debera ser tenido en cuenta y valorado tal y
como se hace en los mercados financieros. Adems, en las plizas de vida en
las que los asegurados participan de los rendimientos de los activos, por
ejemplo, mediante bonus, las provisiones tcnicas deberan recoger los
beneficios esperados por los aseguradores incluso si no se han realizado.
Una vez definido lo que se entiende por el ME, el siguiente paso consiste en la
definicin del margen que cuantifique la incertidumbre asociada al compromiso
que se conoce como Margen de Riesgo -en ingls, Risk Margin, y a partir de
ahora, MR-. Para su cuantificacin existen dos posibilidades: bien usar un
margen basado en un intervalo de confianza, bien calcularlo basndose en
valoraciones consistentes de mercado. Bajo el primer enfoque, la hiptesis de
trabajo de la Comisin se basa en usar el percentil 75 de la distribucin de
cualquier lnea de negocio. Este enfoque es el seguido por la autoridad
australiana20 -Australian Prudential Regulatory Authority, APRA-. Obviamente,
el uso del citado percentil es puramente arbitrario y existe la posibilidad de que
existan riesgos en los cuales se obtengan valoraciones inapropiadas desde el
punto de vista de la regulacin. El uso de este enfoque implica que las
compaas son capaces de evaluar la distribucin de sus compromisos.
La aplicacin de grandes mrgenes preventivos puede llevar a distorsiones
competitivas en compaas que tengan distinto tamao. Debido a los efectos
del agrupamiento y la diversificacin en compaas pequeas, cuyas carteras
generalmente estn peor diversificadas, el riesgo de valoracin de una cartera
de plizas ser mayor que en empresas de mayor tamao. Como resultado,
aunque la mayor volatilidad en los compromisos de las compaas pequeas
20
APRA (2002): Future Policy directions for the regulation and prudential supervision of the
General Insurance Industry, September 2002.
15
puede exigir proporcionalmente mayores cantidades de capital, un elevado

margen preventivo puede conducir a exigencias excesivas en estas compaas
si se las compara con otras mayores.
En cuanto al segundo enfoque, es necesario recordar que muchos de los
riesgos financieros que estn en los compromisos pueden ser valorados de
acuerdo con el mercado. En principio, cualquier riesgo que pueda ser cubierto
por instrumentos financieros es susceptible de ser valorado. Sin embargo,
existen otros riesgos para los cuales no existen instrumentos de cobertura, si
bien el desarrollo de la llamada Transferencia Alternativa de Riesgos permite
realizar la valoracin de tales riesgos21.
Anteriormente se ha mencionado la funcin econmica de los aseguradores
transfiriendo, agrupando y diversificando riesgos. El margen requerido ms all
de la mejor estimacin de los compromisos est en el ncleo de esta cuestin.
En ausencia de regulacin, el margen que las empresas mantendran reflejara
sus oportunidades para reducir el riesgo mediante la agrupacin y
diversificacin y tambin el coste por retener el riesgo residual. Las
valoraciones realizadas para cubrir la regulacin que no reflejasen el coste
econmico del riesgo tenderan a divergir de aqullas que realizasen los
aseguradores considerando el riesgo. Por ejemplo, en una lnea de negocio de
elevado riesgo, una empresa puede estimar que el coste de retener el riesgo
exceda al coste por mantener capital en un importe equivalente al percentil 75
de la distribucin de los compromisos. Si la lnea fuese ms estable ocurrira lo
contrario.
Para muchos de los riesgos existe un precio de mercado el cual ser una gua
del coste real por mantener ese riesgo. Este precio sera un indicador de mejor
calidad que la tuviese un requisito preventivo fijado de forma arbitraria. Incluso
en los casos en los cuales no existe un mercado en el que coticen tales
riesgos, existe una valoracin implcita mediante el reaseguro.
El objetivo de Solvencia II debera ser, por tanto, poner de manifiesto la
relacin entre las valoraciones realizadas para cumplir con la regulacin de los
compromisos con los costes reales por mantener tales riesgos, es decir,
valorarlos de una forma consistente con el mercado. Por ello, la aplicacin de
un margen preventivo idntico para todas las lneas de negocio,
independientemente del nivel de riesgo de ellos conducira probablemente a
obtener valoraciones alejadas de los fundamentos econmicos de las
operaciones.
Una vez explicada la conveniencia de valorar ese margen de acuerdo al
mercado, el siguiente paso es su puesta en marcha. Para ello, se requiere la
aplicacin de criterios prcticos, especialmente en el caso de riesgos no
negociables y, por tanto, sin posibilidad de cobertura por los mtodos
tradicionales, en cuyo caso, el coste de retener el riesgo deber determinarse
de forma indirecta. Un ejemplo es el denominado enfoque del coste del capital
21
Por ejemplo, los conocidos como swaps y bonos de catstrofe permiten transferir el riesgo de
catstrofe de una compaa a otra o al mercado de capitales, valorndose de esta forma tales
riesgos.
16
propuesto en el Test Suizo de Solvencia22, similar al propuesto recientemente

por el Comit Europeo de Seguros23 y el Foro de Supervisores del Riesgo24. Un
enfoque similar podra usarse para compaas pequeas.
Otro aspecto importante a dilucidar es si los riesgos deberan determinarse
analizando cada contrato por separado o podra determinarse a nivel agregado
de toda la compaa. Un aspecto crucial que debe tener en cuenta Solvencia II
es que las aseguradoras deber dotar tanto las provisiones tcnicas como el
capital y que ambas deben ser consistentes. Teniendo en cuenta que cada una
de estas dos grandes partidas responde a una necesidad distinta no debera
haber solapamiento entre ellas. As, la consistencia puede lograrse si los
compromisos se valoran correctamente -provisiones tcnicas- y si el capital
recoge posibles desviaciones no esperadas en ellas. Sin embargo, si el margen
preventivo se establece de modo uniforme y a un nivel exageradamente alto,
las provisiones tcnicas y el capital exigido para solvencia25 se podran solapar,
lo cual exigira que parte de ese margen fuese reconocido como capital
disponible para cumplir con las exigencias legales de capital.
3.2. Aspectos concretos y principios de valoracin
En este apartado se describen los requisitos y mtodos que se estn barajando
para evaluar correctamente el valor de los futuros compromisos de pago -valor
de mercado de las provisiones tcnicas-. Para esta partida, la principal del
pasivo de una aseguradora, la IASB ha continuado con sus trabajos de la fase
2 del Insurance Project. En su reunin de 2006, establece que las provisiones
tcnicas debern basarse en el enfoque del valor presente de salida -current
exit value26-: cantidad que el asegurador debera pagar hoy si transfiriera a otra
entidad todos sus derechos y obligaciones contractuales.
Por su parte, la Comisin Europea establece27 que el nivel de las provisiones
se debe fijar de tal forma que las compaas sean capaces de hacer frente a
sus compromisos incluidos gastos- con los tomadores y beneficiarios. En lnea
con las recomendaciones de la IASB y sus futuros desarrollos, las provisiones
tcnicas debern dotadarse de forma prudente, objetiva y creble y debern
permitir la comparacin entre compaas. Debern hacer uso de toda la
informacin suministrada por los mercados financieros y los datos tcnicos
22
Swiss Federal Office of Private Insurance (2004): White Paper of the Swiss Solvency Test.
23
Comit Europen des Assurances (2006): CEA Document on Cost of Capital, Brussels, 21 April.
24
Comit Europen des Assurances and Chief Risk Officers Forum (2005): Solutions to major issues
for Solvency II.
25
A partir de ahora, se le denominar por sus siglas en ingls, SCR (Solvency Capital Requirement),
que es como es conocido en todos los documentos sobre el tema.
26
IASB (2006): Insurance Contracts (Phase II), Project Update 11/07/2006.
27
2515-06, prrafo 16.
17
sobre riesgos soportados. Ser la suma del mejor estimador y un margen de

riesgo. El mejor estimador es el valor actual esperado de los futuros flujos de
caja. Para ello, se utilizar informacin e hiptesis realistas lo cual implica que
no se incluya el valor de los surrender floors en el clculo de las provisiones
tcnicas. Busca valorar de la forma ms precisa posible con la informacin
disponible en la fecha de valoracin, el valor esperado de los compromisos de
la aseguradora, una vez reconocido el valor temporal del dinero. Por valor
esperado se entiende la media de la distribucin relevante de prdidas.
Por lo que se refiere al margen de riesgo, debe cubrir los riesgos asociados a
los futuros flujos de caja de los pasivos a lo largo de todo el intervalo temporal.
Se calcular de forma que permita que las obligaciones contradas sean
transferidas o liquidadas. De esta forma, se protegen los intereses de los
tomadores y se tiene en cuenta la incertidumbre asociada a la valoracin del
mejor estimador. Sin excluir otras, la Comisin sugiere dos posibles
metodologas:
el enfoque percentil EP-: el margen de riesgo es equivalente a la

diferencia entre el percentil 75 -75p- de la distribucin de probabilidad
subyacente que recoge las cantidades liquidadas y el mejor estimador punto medio-, con un mnimo de 0,5 veces la desviacin estndar de la
distribucin de probabilidad, es decir:
EP = max ;75 p
2
el enfoque del coste del capital: se calcula basndose en el coste de dotar

el capital exigido para hacer frente a los compromisos ligados a las
actividades hoy existentes hasta su liquidacin.
Uno de los ejes centrales de Solvencia II es intentar valorar todo el balance de

acuerdo a las condiciones vigentes en mercado. Ello supone utilizar este
sistema de valoracin tanto en el activo como en el pasivo. As, para el activo y
como hiptesis de trabajo, CEIOPS indica que los activos sean registrados a su
valor de mercado para realizar el clculo del capital requerido. En los casos en
los que esa valoracin no est disponible, se puede aceptar un enfoque
alternativo pero consistente con la informacin relevante del mercado.
Por lo que se refiere al pasivo, es de suma importancia el tema de la valoracin
de provisiones tcnicas. Como se ha indicado anteriormente, a los efectos de
Solvencia II, el valor final se obtiene como la suma de dos cantidades
independientes: el conocido como mejor estimador o valor actual esperado de
los compromisos futuros ms un margen de riesgo que garantice la
transmisibilidad de esos compromisos a terceros. A fecha de hoy, existe una
gran dispersin en los Estados Miembros respecto a todo lo referido a las
provisiones tcnicas. Para el proyecto de Solvencia II, la Comisin establece
que Solvencia II contendr normas de valoracin de activos y pasivos de las
empresas aseguradoras, siendo uno de los ejes del nuevo proyecto un mayor
18
nivel de armonizacin sobre las provisiones tcnicas28. Se seala adems que

las provisiones se establecern para hacer posibles las obligaciones contradas
con los tomadores y beneficiarios, teniendo en cuenta los gastos. Se deben
cumplir los siguientes requisitos:
han de ser valoradas de forma prudente, objetiva y realista

deben permitir la comparacin entre aseguradoras,
deben hacer un uso ptimo de la informacin de mercado y
son la suma del mejor estimador ms el margen de riesgo.
La definicin del mejor estimador dada por la Comisin es la del importe

asociado al valor presente esperado de los flujos futuros, usando la curva de
tipos libres de riesgo y basndose en informacin actual y en hiptesis
realistas29.
Respecto al margen de riesgo, la Comisin lo define como el importe que cubre
el riesgo asociado a los flujos futuros de los compromisos hasta su
desaparicin. Se debern calcular de forma que permita que las obligaciones
puedan ser o bien transferidas o bien liquidadas30.
Dentro de los riesgos a los que debe hacer frente una aseguradora, podemos
encuadrarlos en dos grandes bloques dependiendo de que puedan ser
cubiertos o no. La cobertura se puede lograr mediante el uso de instrumentos
financieros o, de forma ms tradicional, creando una cartera de activos cuyos
flujos compensen los de los pasivos. De acuerdo a este ltimo mtodo, si una
posicin puede replicarse exactamente con activos que se negocian en
mercados suficientemente lquidos y transparentes, entonces este mecanismo
nos facilita directamente un precio de esa posicin.
Siempre que los riesgos puedan ser cubiertos en estos mercados, la valoracin
de los pasivos debera ser de acuerdo a mercado -lo que se conoce como
marked-to-market-. Adems, el riesgo de cambio en los precios de las
coberturas debera reflejarse en el capital exigido.
Por tanto, un primer paso sera la divisin de todos los pasivos entre aqullos
que pueden tener cobertura y los que no la pueden tener. Usando el principio
de ausencia de arbitraje, el valor de mercado de los pasivos cubiertos ser
igual al valor de mercado de la cartera formada para su rplica.
Por lo que se refiere a los pasivos sin cobertura, el CEIOPS considera que son
aqullos que no pueden ser cubiertos por activos negociados en mercados
lquidos y transparentes o cuando los precios de estos activos no son crebles.
En estos casos, la valoracin deber ser conservadora y aadirse un margen de
28
European Commission (2005): Amended Framework for Consultation, MARKT 2506-04, prrafos
7 y 16.
29
European Commission (2005): Amended Framework for Consultation, MARKT 2506-04, prrafo
16.2.
30
European Commission (2005): Amended Framework for Consultation, MARKT 2506-04, prrafo
16.2.
19
riesgo al valor del mejor estimador. De forma esquemtica, se puede recoger

en la siguiente tabla:
Pasivos asociados a
Riesgos susceptibles de cobertura
Riesgos no susceptibles de cobertura
Valor de las provisiones tcnicas

Valor de mercado de las coberturas
Mejor estimador + Margen de riesgo
De forma general, podramos esperar que la mayora de riesgos financieros riesgo de mercado y de crdito- fuesen susceptibles de tener cobertura,
mientras que los riesgos tcnicos -mortalidad, gastos- es improbable que
pertenezcan a esta categora. En estos casos y en lo referido al riesgo
operativo, IASB sugiere que se valoren de acuerdo a un modelo -enfoque del
marked-to-model-.
Como se ha indicado anteriormente, en los casos en los que los riesgos no
sean susceptibles de cobertura, una valoracin conservadora supone calcular
el mejor estimador ms un margen de riesgo. El CEIOPS aconseja que el mejor
estimador se debera basar en la media de la distribucin de probabilidad de
los valores actuales esperados de los flujos de caja originados por los pasivos
considerados. Las proyecciones de los flujos de caja deberan reflejar
desarrollos previstos de la naturaleza demogrfica, legal, mdica, tecnolgica,
social o econmica. Una valoracin realista de activos y pasivos supone que
todos los flujos potenciales que pudieran surgir para hacer frente a los
compromisos con los tomadores han de ser identificados y valorados. En
ausencia de informacin estadstica relevante, se pueden aplicar mtodos
actuariales caso a caso.
Para el clculo del mejor estimador hay elementos comunes tanto para los
seguros de vida como para los de no vida y otros que son especficos de cada
ramo. Veamos cada uno de ellos por separado.
A. Elementos comunes:
Descuento de flujos: debe realizarse usando la curva de tipos libres de

riesgo
Inflacin: deben realizarse hiptesis realistas sobre la misma teniendo
presente qu tipo de inflacin afecta a los flujos de caja en cada caso
Impuestos: se deberan tener en cuenta los pagos por impuestos
relacionados con las obligaciones con los tomadores
Reaseguro: bajo ciertos tipos de contrato de reaseguro, la secuencia de
pagos y la de recuperaciones puede ser muy diferente, la cual debera
considerarse al valorar las provisiones tcnicas -por ejemplo, al descontar
los flujos de caja-. Sin embargo, al calcular las provisiones netas de
reaseguro, las compaas deberan suponer que el reasegurador no
quebrar a no ser que ya est en esa situacin, en cuyo caso deberan
dotarse por provisiones fallidas, tal y como establece la prctica contable
habitual
20
Calidad crediticia de la compaa: no debe suponer ninguna reduccin en

los compromisos pactados.
B. Elementos especficos de los seguros de vida:
Hiptesis sobre morbilidad, mortalidad y longevidad: deben formularse de

forma separada para grupos de riesgo diferentes.
Garantas financieras y otras opciones incorporadas: las proyecciones de

flujos de caja debern tener en cuenta la proporcin de tomadores que se
espera que ejerzan la opcin de cambiar las condiciones del contrato take up options-.
Acciones de la Direccin: otro elemento a considerar. Las hiptesis

usadas deberan reflejar las acciones que la direccin espera llevar a
cabo en las circunstancias de cada escenario tales como cambio en la
asignacin de activos, cambios en la tasa de bonus o cambios en
productos.
Valoracin de futuras indemnizaciones discrecionales: en seguros de vida

con participacin en beneficios, las provisiones tcnicas deberan incluir
importes relacionados con indemnizaciones garantizadas, estatutarias y
discrecionales. Respecto a estas ltimas, las cantidades se pueden
reducir en el caso de un escenario adverso pudiendo absorber parte de
las prdidas en las que incurra la compaa. Dada la disparidad de
sistemas existentes en Europa, el CEIOPS propone distinguir entre:
1 categora: pagos discrecionales futuros que pueden absorber

prdidas slo bajo ciertas condiciones por lo que no pueden
considerarse como un colchn de capital ni, por tanto, considerarse
capital disponible. Estos importes se deberan incluir dentro del
clculo de las provisiones tcnicas.
2 categora: pagos discrecionales futuros que pueden usarse

libremente para cubrir prdidas. Por tanto, son como un colchn de
capital que puede tratarse como capital disponible y no como
provisiones tcnicas. Estos importes no deberan incluirse dentro del
clculo de las provisiones tcnicas.
Productos de las categoras unit-linked e index-linked: deben considerarse

todos los flujos asociados al producto incluyendo gastos, indemnizaciones
por fallecimiento y gastos a favor del asegurador.
C. Elementos especficos de los seguros de no vida

En este caso la medicin del riesgo va asociada al uso de tcnicas estadsticas
y de modelacin actuarial. Las hiptesis que se hagan -por ejemplo, sobre
patrones de liquidacin de siniestros, tasas de descuento, inflacin de
21
siniestros, etc.- deben estar basadas en la experiencia pasada y en

circunstancias especficas del asegurador.
En los casos en los se tratan riesgos masivos se utilizan mtodos como el
Chain Ladder o el Bornhuetten-Ferguson, aunque tambin se utilizan el Link
Ratio, Loss Ratio, Cape Cod, Grossing up o Benktander.
Por lo que se refiere al margen de riesgo, su existencia est justificada por
alguno de estos motivos:
1)
2)
permitir la transferencia del conjunto de compromisos a un tercero con un

nivel adecuado de confianza y/o
recapitalizar la compaa para que pueda llevar adelante un proceso de
liquidacin.
En un principio, la Comisin propuso dos posibles vas para calcular este

margen31:
1)
obtener la diferencia entre el percentil 75 de la distribucin de prdidas y

el mejor estimador con un valor mnimo de 0,5 veces la desviacin tpica.
2)
mediante el uso del enfoque del coste del capital.
Respecto del primero, usa directamente la distribucin de probabilidad de los

pasivos. La idea subyacente es establecer el importe necesario de las
provisiones tcnicas para garantizar que el pago total de los pasivos sea
posible con una probabilidad del 75%. Para poder llevar a cabo este enfoque
se pueden usar las siguientes tcnicas:
1)
determinacin directa de la distribucin emprica de probabilidad: para ello

se requiere un volumen ingente de datos, especialmente de las colas.
2)
ajuste a una distribucin terica de probabilidad: en este caso, los

parmetros relevantes se obtienen a partir de los datos histricos. El
volumen de informacin requerida es menor que en el caso anterior.
Respecto del segundo, esta metodologa est basada en el concepto de valor

de salida -exit value-. En la prctica, se supone que el margen de riesgo es la
medida del coste de los futuros capitales exigidos por la regulacin que el
asegurador o un potencial comprador necesitar mantener hasta la liquidacin
de los compromisos. Conceptualmente, tal margen de riesgo debera garantizar
por s mismo que tales capitales necesarios sean logrados en cualquier
instante futuro y, por tanto, garantizar con una elevada probabilidad el pago de
todos los compromisos. Sin embargo, la robustez de esta metodologa est
ligada a la fiabilidad que tenga el clculo de los citados capitales.
Se consider una tercera va para la obtencin del margen de riesgo, que fue la
basada en simulaciones del tipo stress-testing. Este tipo de pruebas se tuvo en
31
En desarrollos posteriores, tal y como se recoger en siguientes captulos, los trabajos

preparatorios de la Directiva se han ido decantando por la segunda solucin.
22
consideracin para calcular el margen de riesgo en los seguros de vida. La

prueba -stress-test- especificara escenarios crticos para todos los factores de
riesgo. Para cada factor de riesgo y escenario, la compaa calculara el
aumento en el mejor estimador de las provisiones tcnicas. Estos aumentos se
sumaran teniendo en cuenta la matriz de correlaciones para as lograr el
margen de riesgo.
Una vez expuestos los diferentes sistemas de clculo, procede preguntarse
sobre qu sistema elegir. Pues bien, partiendo de los resultados del QIS2 prueba que se explicar en el captulo 3- en donde se peda a las compaas
que calculasen las provisiones tcnicas tanto por el sistema del percentil 75
como por el del coste del capital) el CEIOPS considera que:
1)
hay una ligera preferencia por el enfoque del coste del capital y
2)
parece que los factores de riesgo elaborados con ambos sistemas son
ms o menos semejantes.
En cualquier caso, CEIOPS considera que para riesgos no susceptibles de

cobertura, se debera usar el enfoque del coste del capital bajo ciertas
condiciones previas tales como:
1)
el coste del capital debe suponer el clculo de un margen de riesgo

conservador que permita o bien transferir todos los compromisos o bien
recapitalizar la compaa permitiendo una adecuada liquidacin en el
tiempo y
2)
la calibracin del modelo no se debe dejar a voluntad de las compaas

sino que los parmetros e hiptesis clave deberan fijarse por los
reguladores a partir de las volatilidades histricas en los diferenciales de
crdito de las compaas con rating BBB -correspondiente a un nivel de
confianza del 99,5%- o aplicando los actuales diferenciales de crdito en
las BBB pero aadiendo un escenario de stress.
Una vez explicados los diferentes sistemas de clculo tanto del mejor
estimador como del margen de riesgo, es necesario reconocer que los
resultados obtenidos pueden incorporar errores que hagan que la estimacin
no sea todo lo veraz que se deseara. En concreto, existe una serie de factores
que pueden conducir a una mala estimacin, tales como:
error en el modelo estocstico utilizado,

incertidumbre en cuanto a si el ajuste de datos histricos es vlido para
las actividades presentes y futuras -por ejemplo, tringulos demasiado
cortos para actividades de cola larga-,
incertidumbre sobre la forma de la distribucin de probabilidad de los
flujos de caja futuros y
respecto al descuento de provisiones, incertidumbre respecto al
calendario previsto de flujos de caja y sobre los tipos libres de riesgo.
23
Para asegurarse que el importe de las provisiones tcnicas lleva asociado un

margen de riesgo adecuado, los supervisores pueden llevar a cabo las
siguientes acciones:
1)
2)
3)
4)
revisar la calidad de los datos

revisar la aplicabilidad y relevancia de los mtodos estadsticos
examinar otras justificaciones tcnicas o actuariales y
evaluar si el nivel de prudencia con el que trabaja la entidad es coherente
con el principio de valoracin de las provisiones tcnicas exigido por los
reguladores.
Si los resultados llevan al supervisor a sostener que las provisiones tcnicas

son insuficientes, podr exigir como parte de sus actuaciones en el Pilar II que
las provisiones sean aumentadas y/o que el proceso de clculo sea revisado.
4.
EL CAPITAL DE LAS EMPRESAS ASEGURADORAS: REQUISITOS DE

SOLVENCIA E INTERVENCIN SUPERVISORA
4.1. La composicin del capital de las empresas aseguradoras

Las empresas necesitan un adecuado nivel de capital para absorber las
prdidas de capital en las que puedan incurrir en sus operaciones. La funcin
del capital como un colchn financiero se fundamenta en las siguientes
caractersticas:
permanencia en el tiempo
capacidad de absorcin de prdidas tanto en una situacin de
funcionamiento normal como de liquidacin -winding up- y
ausencia de intereses fijos, dividendos o cualquier otra obligacin
La idoneidad de los distintos instrumentos financieros para ser considerados

como capital depende no slo de sus plazos y caractersticas sino tambin de
los riesgos de las operaciones que se supone deberan cubrir. El CEIOPS
sugiere dividir los posibles instrumentos de capital en varios niveles. As, los
asociados a los niveles 1 y 2 -Tier 1 y 2- son similares a los as clasificados con
idntico nombre en el mbito de la banca mientras que el relativo al nivel -Tier
3- es el asociado a aspectos netamente aseguradores.
Una diferencia fundamental entre bancos y aseguradoras es el alcance
temporal de sus operaciones, lo cual afecta a la idoneidad del capital. De esta
forma, pasivos con plazos ms largos no suponen el uso de activos con mayor
plazo sino que implican una concepcin distinta del capital. Otra gran diferencia
es que en el negocio bancario se pone un gran nfasis en la disponibilidad
inmediata de los fondos para proteger contra posibles pnicos bancarios que
puedan acabar con la mayora del capital contingente o eventual. Sin embargo,
en el negocio asegurador, el mayor plazo de vencimiento de sus pasivos
supone que el capital provisional es ms valioso siempre que se pueda confiar
en la voluntad y capacidad de la contraparte para pagar los compromisos. De
esta forma, ciertas formas de capital que an no han sido desembolsadas
24
pueden considerarse como capital idneo con ciertas limitaciones, debido a la

menor volatilidad del negocio asegurador. Para estas formas de capital es para
lo que se ha desarrollado la nueva categora -Tier 3-.
Para proceder a la clasificacin por niveles, se usan los siguientes principios
bsicos:
1)
2)
3)
cuanto mayor sea la capacidad de absorcin de un elemento, ms alto

ser el nivel en el que se clasifique,
en un entorno de funcionamiento normal, instrumentos no acumulativos
son tratados de forma ms favorable que los acumulativos
instrumentos de duracin perpetuos se tratan ms favorablemente que los
de vencimiento fijo.
CEIOPS recomienda clasificar las distintas partidas de capital en tres niveles:

Tier 1, Tier 2 y Tier 3 o capital especfico de una aseguradora. En lneas
generales, se puede decir que las diferencias entre los dos primeros no es tan
acusada como la que existe entre ellos y el tercer nivel.
A.
Nivel 1. Es el bloque de partidas de capital con mayor calidad y sus

caractersticas deberan ser:
1) capaz de absorber prdidas tanto en un situacin normal de
funcionamiento como en una de liquidacin -winding-up2) ha de ser permanente
3) en caso de liquidacin de la empresa, es posterior a los pagos a las
obligaciones con los tomadores y a cualquier otra deuda sea cual sea
su naturaleza y
4) no tiene costes fijos -por ejemplo, no existe la ineludible obligacin de
pagar dividendos o intereses-.
A su vez, el Nivel 1 se puede subdividir en:

a)
ncleo del nivel 1 -core Tier 1- y
b)
ajeno al ncleo del nivel 1 -non core Tier 1-, dentro del cual se distinguen:
Parte no novedosa del Tier 1 -non innovative Tier 1 Parte novedosa del Tier 1 -innovative Tier 1-
El CEIOPS sugiere que, al menos, un 50% del nivel 1 lo sea en forma de

instrumentos del ncleo, entre ellos:
25
acciones ordinarias totalmente desembolsadas

beneficios retenidos
aportaciones iniciales o fondo fundacional
cualquier diferencia positiva en la valoracin de las provisiones tcnicas
bajo las normas de contabilidad.
B.
Nivel 2. Posee peor calidad que el anterior. Proporciona un cierto grado

de absorcin de prdidas en cualquier situacin, incluyendo subordinacin
a los derechos de los tomadores, pero no cumple con los requisitos de
permanencia ni ausencia de costes fijos. En funcin del tiempo de
permanencia se subdivide en:
C.
1)
Nivel 2 superior: son instrumentos de duracin perpetua como por

ejemplo: acciones preferentes perpetuas con acumulacin, deuda
subordinada perpetua y
2)
Nivel 2 inferior: son instrumentos de duracin finita como por

ejemplo: acciones preferentes o deuda subordinada, ambas con
fecha de vencimiento.
Nivel 3. Proporciona absorcin de las prdidas bajo ciertas condiciones.

Esa capacidad de absorcin debe ser evaluada por la autoridad
supervisora, en funcin de principios claros que incluyan la calidad
crediticia y la voluntad de hacer frente a los pagos por parte de la
contrapartida del instrumento. Por tanto, el nivel 3 lo forman aquellas
partidas de capital que deben haber contado previamente con la
aprobacin de la autoridad supervisora. Dentro de este nivel se incluyen la
parte desembolsada de acciones parcialmente pagadas y/o de fondos
fundacionales, cartas de crdito y las aportaciones suplementarias por
solicitud en las mutuas. El CEIOPS advierte que como el capital
provisional no est desembolsado y puede no estar disponible para
absorber las prdidas de la aseguradora, no debera ser considerado
plenamente de forma automtica. Se sugiere que el porcentaje de dicho
capital que sea evaluado para ser idneo debera depender de la calidad
crediticia, de la capacidad o del deseo de hacer frente a los pagos por
parte de la contrapartida de esos instrumentos32.
An cuando cualquiera de las partidas sealadas forma parte del capital de la

aseguradora, se sugiere que la composicin del mismo tenga en cuenta las
diferencias de calidad entre unos conceptos y otros. Por ello, se establecen
unas limitaciones de los niveles de inferior calidad. As, sean T1, T2 y T3 las
cantidades de capital de los niveles 1, 2 y 3 respectivamente, CT1 la cantidad
del capital del ncleo del nivel 1, LT2 la cantidad de capital del nivel 2 inferior,
SCR el nivel de capital econmico exigido y MCR el nivel mnimo de capital
legal exigido.
32
CEIOPS (2005): Draft Answers to the European Commission on the third wave of Calls for Advice
in the framework of the Solvency II project, Consultation Paper n 9, CEIOPS-CP-06/05, prrafo
19.58.
26
Se deben tener en cuenta las siguientes restricciones:

T 1 + T 2 + T 3 SCR
SCR
T1
2
T1
CT 1
2
T 1 + T 2 MCR
T1 T 2 +T 3
T1
LT 2
2
En definitiva, se sugiere que el nivel de capital sea, al menos, igual al asociado

con el nivel de riesgo que soporta la aseguradora y que, dentro de las partidas
de capital, hay un predominio de las partidas de mayor calidad.
4.2. Exigencias actuales de capital: Solvencia I
El sistema actual de clculo del capital de solvencia est basado en un
conjunto de ratios que relacionan el capital exigido con el volumen de negocio.
Las directivas que lo regulan son:
-
para vida, la 2002/83/EC, del Parlamento Europeo y del Consejo, de 5 de

marzo, en su artculo 28 y
para no vida, la 73/239/EEC, en su artculo 16, modificado parcialmente

por la Directiva 2002/13/CE.
Muy brevemente, la forma de calcular tanto el margen de solvencia obligatorio

como el fondo de garanta en cada uno de los casos es diferente. Para
compaas de vida, es el mayor entre el margen exigido de Solvencia y el
Fondo mnimo de Garanta:
-
el margen exigido de solvencia se calcula como la suma del 4% de las

provisiones matemticas brutas -0% a 1% en algunos negocios- y el 0,3%
del capital bruto en riesgo, definido como el capital en riesgo menos las
provisiones matemticas.
el Fondo mnimo de Garanta suele ser de tres millones de euros, si bien

estas cifras pueden reducirse hasta un 25% en el caso de las mutuas.
Para compaas de no vida, el margen mnimo requerido es el mayor de las

siguientes cantidades:
1.
18% de los primeros 50 millones en primas brutas y el 16% de las

restantes
27
2.
3.
4.
26% de las primeros 35 millones de euros de la media de los siniestros de

los ltimos tres o siete aos -sen el negocio- y el 23% del resto de la
media33
el margen requerido de riesgo del ao anterior ajustado por el aumento de
las provisiones tcnicas de este ao
el llamado Fondo de Garanta mnimo que oscila entre dos y tres millones
de euros, segn el tipo de negocio
Un desarrollo ms exhaustivo de ambas normativas se recoge en el siguiente

captulo.
4.3. Requisitos de capital en Solvencia II: el Pilar I
Solvencia II tendr dos cifras de capital: el capital exigido -SCR- y el capital
mnimo de solvencia34. Adems, se establece un requisito adicional resultante
del proceso de revisin por el regulador dentro del Pilar II. El SCR ser un
requisito basado en el riesgo soportado por la aseguradora que garantice un
mnimo de capital para mantener la proteccin apropiada a los asegurados y la
estabilidad del mercado. Si la aseguradora no cumple con el nivel exigido de
SCR se le exigir reestablecer su capital hasta el nivel de SCR de acuerdo a un
plan que necesita ser aprobado por los supervisores. Como establece el
CEIOPS35, el SCR debe recoger la cantidad de capital necesaria para cumplir
con todas las obligaciones durante un horizonte de tiempo especificado a un
nivel de confianza definido. Por ello, se deben considerar todos los riesgos y no
slo los tcnicos. Se prev que la evolucin de esta cantidad se pueda hacer
bien mediante el uso de modelos estndar, comunes para todas las entidades,
bien mediante el uso de modelos propios.
De la definicin aportada por el CEIOPS se extrae que para evaluar esta cifra
de capital hacen falta los siguientes elementos:
1)
2)
3)
una medida del riesgo

una cierta probabilidad o nivel de confianza y
un horizonte temporal -se utiliza el ao-
Respecto a las medidas, las ms manejadas son:

a)
VaR al 995%: prdida esperada ms probable, la cual se espera

sobrepasar uno de cada 200 aos y
b)
Prdida esperada al 99% -Expected Shortfall-, tambin conocida como

TVaR o Tail VaR, la cual aade al anterior VaR la prdida adicional
33
La cifra resultante se multiplica por el ratio entre siniestros netos de reaseguro y siniestros brutos,
hasta un 50% de reduccin.
34
A partir de este momento se le denominar por sus siglas en ingls, MCR -Minimum Capital
Requirement-, tal y como es conocido en todos los documentos sobre el tema.
35
CEIOPS (2005): Answers to the European Commission on the second wave of Calls for Advice in
the framework of the Solvency II project, CEIOPS-DOC 07/05.
28
esperada si se supera el umbral especificado, por lo que tambin

considera la distribucin de la cola.
En un principio, la Comisin sugiri el uso de intervalos al 99,5% con un
horizonte de un ao equivalente a una probabilidad de impago del 0,50% y se
supona que, como hiptesis de trabajo, un TVaR al 99% era equivalente a un
VaR al 99,5%. Es decir, la probabilidad de que el capital exigido legalmente de
la aseguradora sea insuficiente para hacer frente a las provisiones tcnicas al
final de un ao es de uno sobre 200.
En un principio, CEIOPS pareca decantarse por el TVaR, el cual presenta
ciertas ventajas sobre el VaR:
considera no slo la probabilidad de insolvencia sino tambin la prdida

esperada por la insolvencia.
en ciertos ramos, las compaas estn expuestas a soportar siniestros
con un alto impacto. Bajo el enfoque del VaR, las prdidas ms all del
umbral de confianza no se contemplan a la hora de dotar el capital. Sin
embargo, con TVaR s son consideradas.
TVaR es subaditivo, es decir, las exigencias de capital por dos o ms
riesgos combinados es menor que las exigencias asociadas a cada uno
por separado. Sin embargo, esta propiedad no se da con generalidad en
el VaR, sobre todo en casos de colas muy pesadas o en distribuciones
muy asimtricas36.
Sin embargo, en los ltimos desarrollos la medida que se ha ido imponiendo es

el VaR. Una discusin ms extensa sobre las caractersticas de estas dos
medidas se recoge en el apartado 6 de este captulo.
La Comisin ha propuesto que el MCR sea un mnimo para el SCR. El MCR
debera dar al capital un colchn contra el riesgo de que la fortaleza financiera
de la compaa se deteriorase a medida que se vayan haciendo los pagos por
los siniestros, por ejemplo, una vez que se haya identificado un descenso
sbito en el MCR. Para evaluar el MCR se han sugerido las siguientes
posibilidades:
a)
b)
c)
d)
que sea la continuacin de los requisitos de capital del sistema Solvencia I

un porcentaje del SCR
una versin simplificada del SCR
un porcentaje de las provisiones tcnicas
Solvencia II permitir a las aseguradoras calcular su SCR bien usando modelos

estandarizados, bien usando modelos propios. Los modelos estandarizados
consistiran en el uso de frmulas relativamente simples que pongan en
relacin los requisitos de capital con las categoras clave de riesgo. Por lo que
se refiere al uso de este tipo de modelos, resultar til para aquellas empresas
que se aproximen a la media por lo que slo podrn aportan una aproximacin
a lo que seran las necesidades de capital sujetas al riesgo.
36
Chavez-Demoulin, V., Embrechts, P., Neslehova, J. (2006): Quantitative models for operational
risk: extremes, dependence and aggregation. Journal of Banking and Finance, 30(10): 2635-2658.
29
Obviamente, su utilizacin supondr que es imposible obtener un resultado

exacto cuando el perfil de riesgo de la aseguradora se desve
significativamente de las hiptesis bsicas que subyacen en el clculo. Para
tratar de paliar estas deficiencias, Solvencia II puede ofrecer opciones ms o
menos complicadas dentro del enfoque estandarizado. Por ejemplo, para
seguros de vida un modelo en el que estn identificados determinados factores
que influyen en el clculo del SCR restringira la capacidad de los reguladores
para enjuiciar el riesgo de ALM -Assets & Liabilities Management- y para
entender el riesgo incorporado en opciones y garantas incorporadas en esos
productos.
El uso de modelos basados en escenarios dara una mayor comprensin de
estos riesgos y, por tanto, una mejor proteccin a los asegurados.
Solvencia II tambin permite la utilizacin de modelos propios, los cuales han
de ser previamente aprobados por las autoridades reguladoras. La experiencia
de la Directiva sobre requisitos de capital sugiere que los requisitos necesarios
para aprobar un modelo pueden ser tanto cuantitativos como cualitativos37. Sin
embargo, es necesario tener en cuenta que desarrollar modelos propios es
caro. Por ejemplo, para el caso de Basilea II se ha estimado que para los
bancos con activos por encima de los 30.000 millones de euros cada uno
necesitar gastar unos 115 millones de euros en unos cinco aos38.
Una diferencia clave entre CRD y Solvencia II es que mientras que en el
primero cada uno de los riesgos es tratado de forma independiente, Solvencia
II aspira a lograr un enfoque integrado en el caso de usar modelos internos. El
objetivo es que las empresas que tengan la capacidad de hacer esto podrn
modelar sus necesidades de capital segn categoras de riesgo y lneas de
negocio. Esto lleva a preguntarse hasta qu punto las aseguradoras tienen la
opcin de modelar parte de sus requisitos de capital y estimar el resto mediante
modelos estandarizados.
El hecho de permitir a las aseguradoras el uso de modelos parciales les
permitira ir dando pasos para, poco a poco, completar un modelo interno
global.
Solvencia II tambin debera especificar si los modelos se podrn usar en
algunos riesgos y en algunas lneas de negocio. En principio, la Comisin ha
aceptado que se utilicen modelos parciales39. Desde el punto de vista del
regulador, su inters se centra en controlar los incentivos que puedan existir si
se seleccionan modelos parciales slo para reducir los requisitos de capital -lo
que se conoce como cherry picking-.
37
Los requisitos para autorizar modelos de riesgos de crdito figuran en el artculo 84 y en la Parte
IV del Anexo VII de 2000/12/CE del Parlamento europeo y del Consejo, de 20 de marzo, relativa
al acceso a la actividad de las entidades de crdito y a su ejercicio.
38
Mercer Oliver Wyman (2004): Life at the end of the tunnel, June 2004.
39
2506-04.
30
4.4. La intervencin del supervisor: Pilar II

En este apartado se abordar lo que se espera que sea el Pilar II, basado en
los procesos de revisin por parte de los supervisores. Los objetivos de este
Pilar son:
1)
asegurarse de que la compaa est bien dirigida y cumple

adecuadamente con los niveles de gestin de riesgo. Esto es nuevo en
Solvencia II y, en esencia, requiere que la compaa se comprometa en el
proceso de evaluacin del riesgo y, el capital que necesita y que el
supervisor luego evale este compromiso de la compaa y
2)
asegurarse de que la compaa est adecuadamente capitalizada. ste

era el aspecto en que se centraba Solvencia I.
No obstante, los juicios que haga el regulador sobre aspectos tales como la
firmeza con que la direccin afronta la gestin del riesgo y de los procesos, es
tremendamente subjetiva. Por ello, los requerimientos de capital asociados al
Pilar II otorgan un elevado grado de discrecionalidad al supervisor. Por tanto,
llevar a cabo una puesta en marcha adecuada del Pilar II exigir transparencia
en las prcticas de las autoridades reguladoras.
Un aspecto clave es el tema de la regulacin prudencial en aseguradoras es la
necesidad de gestionar el riesgo de activos. La actual legislacin comunitaria
de Solvencia no considera tal riesgo, sino que lo sustituye por restricciones en
la tenencia de activos. Este requisito a veces no puede evitar una elevacin no
deseada de este tipo de riesgo, pudiendo conducir a una asignacin subptima de activos y haciendo poco por una evaluacin y control de este tipo
activos. Como contraste a esta situacin, Solvencia II tiene como piedra
angular que el SCR refleja el perfil de riesgo asociado a las tenencias de
activos. Las empresas que inviertan en activos ms arriesgados deberan tener
un mayor SCR.
Un enfoque para la regulacin de la gestin de activos por parte de los
aseguradores es la aplicacin del concepto de persona prudente. En lneas
generales, es un requisito cualitativo que obliga a las empresas a invertir en
activos como lo hara una persona prudente en una situacin semejante.
Anlisis de la OCDE sugieren que en la prctica, la direccin sujeta a esta
principio conduce a inversiones ms prudentes40. Entre las razones para ello se
sealan las prcticas de referencia -benchmarking-.
Este concepto de persona prudente ha sido utilizado anteriormente en otras
dos Directivas referidas al reaseguro y a pensiones. En ambos casos se han
incorporado restricciones sobre activos elegibles y sobre concentracin de
riesgos. Adems de estos dos condicionantes, Solvencia I incluye el requisito
de que al menos el 80% de las provisiones tcnicas estn cubiertas por activos
40
OECD (2002): Workshop on Insurance and Private Pensions in the Baltic States, Prudent Person
Approach.
31
denominados en la misma moneda y que los activos asociados a riesgos

tomados en la UE estn invertidos en la UE.
4.5. Requisitos de informacin -disclosures-: Pilar III
El propsito del Pilar III es el de fomentar la disciplina de mercado
suministrando informacin relevante referida a la adecuacin del capital de las
aseguradoras. Estas informaciones iran destinadas a los participantes del
mercado tales como accionistas, bonistas, reaseguradoras y asegurados. Su
objetivo es tal que si la disciplina de mercado es efectiva, incentivar a las
compaas a tomar medidas que promocionarn el cumplimiento de objetivos
deseados por la regulacin, tales como una mayor gestin del riesgo. La
Comisin ha sugerido que estas informaciones deberan ser consideradas
conjuntamente con las destinadas a los reguladores, haciendo posible de esta
forma que la informacin sea consistente. Es importante mencionar que la
verificacin de esta informacin debera poder hacerse sin necesidad de
auditarla.
La informacin a la que se hace referencia en el Pilar III se puede agrupar en
tres bloques41:
Clase 1. Medidas sobre actuaciones financieras y rendimientos: es la

informacin contable tradicional e incluira el balance, la cuenta de
resultados y el cuadro de flujos de caja. Generalmente esta informacin
est bastante normalizada.
Clase 2. Medidas de los perfiles de riesgo: generalmente la atencin de los

reguladores incluye medidas sobre el nivel de riesgo y de diversificacin de
carteras, tales como el VaR o las pruebas de stress-testing. El nivel y la
consistencia de la informacin en este rea es muy variada.
Clase 3. Medidas de la incertidumbre de la informacin en las anteriores

agrupaciones: este tipo de informacin est menos desarrollado y puede
incluir anlisis de sensibilidad ante cambios en el valor de determinados
parmetros y la comparacin de resultados con anteriores estimaciones.
5. OTROS ASPECTOS
Antes de analizar el proceso de eleccin del sistema de medicin de la
cantidad de capital asociada al riesgo soportado (eleccin que se expone en el
ltimo apartado de este primer captulo), es necesario exponer otras cuestiones
tales como qu se entiende por capital aceptable, cul es el tratamiento que se
les otorga a las entidades pequeas y cul a los grupos corporativos, as como,
la relacin y cooperacin existente (en temas de solvencia) entre los distintos
organismos reguladores de los diversos pases miembros de la UE.
41
Borio, C. and Tsatsaronis, K. (2004): Accounting and Prudential Regulation: from uncomfortable
bedfellows to perfect partners. Journal of Financial Stability, 1(1): 111-135.
32
5.1. Definicin de capital aceptable

La evaluacin del capital aceptable o elegible debera centrarse en la
naturaleza econmica de los instrumentos financieros candidatos a ello. La
innovacin en los mercados financieros ha hecho que existan instrumentos con
caractersticas tanto de capital como de deuda. La regulacin preventiva
debera centrarse en las caractersticas subyacentes de estos instrumentos y
otorgarles validez de acuerdo con su capacidad para absorber prdidas
durante un periodo de tensin financiera, su duracin y si estn completamente
desembolsados.
Solvencia II debera determinar si una determinada composicin de
instrumentos de capital sera necesaria para cumplir con el SCR y con el MCR.
Por ejemplo, dado que el MCR se interpreta como un mnimo, puede haber un
amplio consenso en aceptar que la cifra de capital social sea la adecuada para
cumplir con el MCR ms que con el SCR.
5.2. Tratamiento de las empresas pequeas
Actualmente las Directivas de vida y no vida incluyen exenciones para
pequeas mutuas. En s mismo, la forma legal de una aseguradora no debera
determinar si va a estar regulada o no bajo el marco de Solvencia II. Las
mutuas pequeas pueden tener una mayor flexibilidad para elevar su capital
mediante la opcin de solicitar aportaciones a sus miembros. La normativa
actual tambin permite exenciones en el caso de aseguradoras pequeas que
trabajen nicamente en el mercado nacional.
5.3. Temas referidos a grupos
El objetivo de Solvencia II de lograr una regulacin prudencial basada en el
riesgo significa que la gestin de las aseguradoras debera ser capaz de
asignar el capital eficientemente entre todas las filiales. Ello exige que los
requisitos de solvencia sean consistentes con el principio de igual riesgo, igual
cantidad de capital que sugiere el CEIOPS. Tambin supone tener en cuenta
los beneficios de la diversificacin a nivel de grupo e instrumentar los
mecanismos adecuados para repartir estos beneficios entre las filiales.
Solvencia II debera permitir a las empresas que deseasen gestionar su riesgo
a nivel de grupo el poder hacerlo as. Tambin debera permitir a los grupos
beneficiarse de la diversificacin de riesgos dentro del grupo mediante un SCR
global que puede ser menor que la suma de los SCR de cada una de las filiales
que lo componen.
5.4. Cooperacin entre reguladores
Las Directivas vigentes se centran en la supervisin de las entidades legales
creando un marco fragmentado para los grupos aseguradores que operan en
ms de un Estado miembro. Como resultado, el rgimen vigente es percibido
33
como uno que pone ms nfasis en el regulador del pas de una filial que en el
nacional. La IGD tiene mecanismos de cooperacin voluntaria, por ejemplo la
posibilidad de acordar una supervisin coordinada. Sin embargo, esta opcin
ha sido ejercida en muy pocas ocasiones42. Este hecho no es consistente con
el enfoque existente en la FCD43 -Financial Conglomerates Directive- que
asume la existencia de un supervisor director.
Solvencia II tambin necesitar fijar aspectos tales como la aprobacin por el
regulador de modelos internos para grupos que operen en varios Estados
miembros. El artculo 129 de la Directiva sobre requisitos de capital -CRDestablece un enfoque segn el cual la aprobacin del modelo se realizara por
un colegio de reguladores en un plazo de tiempo y dejan para el regulador del
pas de origen la decisin final si no se llegase a un acuerdo. Este mecanismo
podra ser un punto de partida para este asunto.
Finalmente, aspectos relativos a terceros pases tambin deberan ser
abordados. Esto es relevante para el tratamiento de filiales de grupos de
terceros pases que operan en la UE y para filiales de empresas de la UE en
pases fuera de la Unin, as como para el caso de entrada de empresas de
fuera de la Unin en el mercado comunitario de seguros. En todos los casos, el
principio de igual riesgo, igual cantidad de capital sera un buen punto de
partida para desarrollar criterios referidos a estos temas.
6. LA ELECCIN DE LA MEDIDA DEL RIESGO: VaR vs. TVaR

En los trabajos que est realizando el CEIOPS de definicin y diseo del
modelo que permitir evaluar la cantidad de capital asociada al riesgo
soportado, se han utilizado casi desde el principio, dos medidas muy
relacionadas entre s: el VaR y el TVaR.
El VaR -Value at Risk- es un instrumento analtico que lleva ms de una
dcada de uso por parte de las instituciones bancarias. A partir de la
informacin disponible, que pueden ser datos histricos o hiptesis sobre el
comportamiento subyacente del valor de los activos, trata de estimar el peor
resultado posible dentro de unos condicionantes establecidos por el gestor.
Ms concretamente, el VaR recoge la prdida mxima esperada -o peor
resultado- que se puede lograr dentro de un horizonte de tiempo con un
determinado nivel de confianza. Es decir, se necesita analizar la informacin
disponible y acotar los posibles resultados mediante la fijacin tanto del
horizonte temporal como del nivel de confianza.
42
CEIOPS (2005): Report on Possible Need for Amendments to the Insurance Groups Directive,
Consultation paper n 6, CEIOPS-CP-03/05.
43
Directiva 2002/87/CE, del Parlamento Europeo y del Consejo, de 16 de diciembre de 2002,

relativa a la supervisin adicional de las entidades de crdito, empresas de seguros y empresas de
inversin de un conglomerado financiero, y por la que se modifican las Directivas 73/239/CEE,
79/267/CEE, 92/49/CEE, 92/96/CEE, 93/6/CEE y 93/22/CEE del Consejo y las Directivas
98/78/CE y 2000/12/CE del Parlamento Europeo y del Consejo.
34
Por ejemplo, si el valor de una cartera fuese de 100 millones de euros, se

estableciese como horizonte temporal la semana y como nivel de confianza el
99%, se deberan seguir los siguientes pasos para evaluar el VaR:
1.
valoracin de la cartera a precios de mercado: en este caso, 100 millones

de euros
2.
medicin de la variabilidad del factor de riesgo analizado: en este caso,

sera la oscilacin media del precio o volatilidad -valga como ejemplo, el
20% anual-
3.
establecimiento del horizonte temporal: en este caso, una semana -5 das

hbiles- que, puesto en forma anual es 5/255 aos -255 es el nmero de
sesiones hbiles a lo largo del ao-
4.
establecimiento del nivel de confianza: en este caso es el 99% y

suponiendo que los rendimientos siguen una distribucin normal,
entonces el lmite buscado ser el de 2,33 veces la desviacin tpica y
5.
obtencin del valor del VaR mediante la utilizacin de toda la informacin

anterior. En este caso ser -en millones de euros-:
5
2,33 = 6,52
255
VaR = 100 20%
Su significado es que en una de cada cien sesiones de mercado, la cartera

puede perder ms de 6,52 millones de euros.
Una definicin ms formal44 lo hace en trminos de probabilidad. As, dada una
cartera C, un intervalo de tiempo T y un nivel de probabilidad p, se estima un
nivel de prdidas, L*, tal que existe una probabilidad p de que las prdidas
reales L sean iguales o menores que L* durante el periodo T. Ese nivel L* es el
VaR. Formalmente:
P L* L = p
Es decir, hay una probabilidad 1- p de obtener resultados peores que L*.

En el ejemplo anterior utilizado para ilustrar cmo se calcula el VaR se ha
supuesto que los rendimientos seguan una distribucin normal. Sin embargo,
este es un supuesto ms que discutible a la luz de la experiencia, por lo que, si
no se cumple esa hiptesis, los resultados no sern todo lo buenos que cabra
esperar. De hecho, y de forma general, VaR no satisface todas las condiciones
44
Sharpe, W. (1995): Foreword en R. Beckstrom y A. Campbell (eds.): An introduction to VaR,

CATS Software.
35
que se exige a lo que se ha denominado medida coherente de riesgo45.

Mediante ella, se otorga un nmero a cada posible valor de una cartera, X,
M(X). Si el nmero es positivo, se interpreta como la mnima cantidad adicional
de efectivo que un agente debe aadir a la posicin con riesgo X. Esa cantidad
debe invertirse en el activo sin riesgo para garantizar la solvencia de la
posicin. Si, por el contrario la cifra fuese negativa, la cantidad de efectivo, M(X), puede retirarse de la cartera o ingresarse en caja.
As, dadas dos carteras X e Y (independientes o no) y dos nmeros, n y t,
siendo t positivo, las medidas coherentes de riesgo deben cumplir las
siguientes condiciones:
1)
2)
3)
4)
subacitividad: M(X+Y) M(X) + M(Y)

homogeneidad: M(tX) = tM(X)
monotonicidad: M(X) M(Y) si X Y
condicin libre de riesgo: M(X + rn) = M(X) - n. Es decir, si una cantidad se
invierte en el activo libre de riesgo al tipo r y se aade a la cartera de valor
X, entonces el riesgo de la cartera se reduce en n.
Diversos estudios46 han demostrado que usando distribuciones elpticas -tales

como la normal o la t de Student- el VaR es subaditivo ya que es proporcional a
la desviacin tpica, la cual es una medida subaditiva. Sin embargo, si el VaR
se aplica sobre distribuciones no elpticas, por lo general no es subaditivo y por
tanto, no sera una medida coherente de riesgo. Por esta razn, se han
propuesto otras medidas alternativas al VaR, entre ellas el Tail VaR o TVaR
sugerido por el CEIOPS. Otros nombres por los que se conoce esta medida
son VaR condicional y tambin prdida prevista -expected shortfall-.
El TVaR se puede definir como la prdida esperada en una cartera en el p% de
los peores casos en un horizonte H. Es, por tanto, el promedio de las prdidas
que exceden al VaR. Formalmente47:
p
TVaR = E ( X / X < p ) =
xf (x )dx
f (x )dx
En donde p es el VaR.
45
Artzner, P., Delbaen, J., Eber, M. and Heath, D. (1999): Coherent measures of Risk. Mathematical
Finance, 9: 203-228.
46
Embrechts, P., Kluppelberg, C. and Mikosch, T. (1997): Modelling Extreme Events for Insurance
and Finance, Springer-Verlag.
47
As definido se supone que la variable analizada puede tomar valores positivos y negativos -por
ejemplo, rendimientos de una cartera o un activo-. Para el caso de una aseguradora que desease
aplicar esta medida a los siniestros liquidados -valores siempre positivos-, la expresin sera:
xf (x )dx
TVaR = E ( X / X > p ) =
f (x )dx
p
en donde nuevamente p es el VaR.
36
Grficamente:
El TVaR es la diferencia entre el valor esperado de la cartera al final del

horizonte y la media de la cola asociada al percentil p en el momento de la
valoracin. El uso del TVaR suele ser como complementario del VaR. As, si el
objetivo del VaR es el de controlar el riesgo de mercado en las situaciones
normales del mercado -por ejemplo, el 99% de los casos si se es el nivel de
confianza elegido-, el TVaR realiza esa misma funcin en los casos extremos el 1% restante-. Esta medida resulta especialmente til para posiciones que
tengan distribuciones con colas gruesas y asimtricas como las carteras de
opciones o la siniestralidad de una cartera de plizas de seguros.
37

CAPTULO 2
MECANISMOS PREVIOS DE MEDICIN DEL RIESGO
1. EL SISTEMA ACTUAL: SOLVENCIA I
Los antecedentes hay que buscarlos en los aos 70 del siglo pasado. Las
primeras normas datan de 1973 y 1979 para los seguros de vida y no vida
respectivamente48. En ellas se impone la creacin de un colchn de capital
capaz de absorber los resultados de los cambios imprevistos.
La normativa de solvencia tuvo una primera modificacin con la adopcin de
las Directivas de Solvencia I en 200249, las cuales pasaron a ser vinculantes a
partir de 2004, si bien los estados miembros podan fijar periodos de transicin
hasta 2007. En esencia, la forma de clculo de los capitales exigidos no se
modific, nicamente se actualizaron algunos parmetros (por ejemplo, se
exigi un mayor importe para el fondo de garanta mnima). La nueva normativa
era y es, pues an sigue en vigor, ms exigente que la anterior, pues exiga
que los requisitos de solvencia se cumplieran en todo momento y no slo en el
momento de elaborar los estados financieros y otorg a las autoridades
reguladoras derechos de intervencin ms amplios que hasta entonces.
Actualmente, el clculo del capital de solvencia se realiza de la siguiente forma:
Seguros no vida: margen de solvencia obligatorio
El margen de solvencia obligatorio -MSONV- se calcula a partir de la siguiente

expresin:
MSO NV = max {I P ; I S }
en donde IP = k .IP y IS = k .IS siendo k una constante con valor 1,5 para los
seguros de responsabilidad civil -excepto autos-, martimos y de aviacin, y con
valor 1 para el resto de ramos.
48
Para los seguros de no vida, la Primera Directiva del Consejo 73/239/CEE y para los seguros de
vida, la Primera Directiva del Consejo 79/267/CEE.
49
Son la Directiva 2002/13/CE del Parlamento Europeo y del Consejo de 5 de marzo de 2002 por la
que se modifica la Directiva 73/239/CEE del Consejo en lo que respecta a los requisitos del
margen de solvencia de las empresas de seguros distintos del seguro de vida y la Directiva
2002/83/CE del Parlamento Europeo y del Consejo, de 5 de noviembre de 2002, sobre el seguro de
vida.
39
Por su parte IP es el ndice de primas, el cual se calcula como:

0,18 x r
IP =
9r + 0,16(x 50 )r
x 50
x > 50
siendo x es el volumen de primas, expresado en millones de euros y tal y como

se establece en la Directiva, y r es la tasa de retencin de primas, calculada
como:
m1
SNt i
r = max0,5; mt =01
SB
t i
t =0
en donde m vale 7 para las aseguradoras que suscriban negocio de impago de
crdito, tempestades, granizo o helada, y 3 en el resto de los ramos. SNt y SBt
son los siniestros netos de reaseguro y brutos, respectivamente, en el ejercicio
t.
Por su parte, IS es el ndice de siniestros, que se calcula como:
s 35
0,26 s r
IS =
9,1r + 0,23(s 35)r s > 35
siendo s el volumen de siniestros, expresado en millones de euros y tal y como
se establece en la Directiva y r la tasa de retencin de siniestros, que se
calcula como:
m 1
SN t i
t =0
r = max 0,5; m 1
SBt i
t =0
en donde m tiene igual interpretacin que en caso de las primas.
Seguros de vida: margen de solvencia obligatorio
El clculo del margen de solvencia obligatorio -MSOV- depender de cul sea

la naturaleza del seguro. As, para los seguros distintos de los ligados a fondos
de inversin, la forma de clculo se puede recoger en la siguiente expresin:
MSOV = 0,04 PMB r p + k CER rC
PMB son las provisiones matemticas brutas y rP representa la tasa de
retencin de las citadas provisiones, la cual se calcula como:
PMNt
rP = max0,85;
PMBt
40
en donde PMNt son las provisiones matemticas netas de reaseguro del

ejercicio t y CER es el capital en riesgo o importe de riesgo mximo para el
asegurador, que puede ser:
-
en el seguro mixto, es la diferencia entre la prestacin por muerte y la

reserva matemtica ya constituida
en seguros temporales y de accidentes, es la suma asegurada.
Por su parte, k es distinto segn la duracin del seguro:

-
0,001 si se trata de un seguro temporal con duracin de hasta tres aos,

0,015 si se trata de un seguro temporal con duracin de entre tres y cinco
aos y
0,030 para el resto de los casos
En cuanto a rC, es la tasa de retencin de los CER y se calcula como:
CERNt
rC = max0,50;
CERt
siendo CERN y CER los capitales en riesgo netos y brutos de reaseguro

respectivamente.
Para las operaciones de capitalizacin, el MSOV se obtiene nicamente a partir
de las provisiones matemticas, es decir:
MSOV = 0,04 PMB rp
El caso de los seguros ligados a los fondos de inversin presenta la siguiente
casustica:
-
si la empresa asume el riesgo de inversin, entonces:

MSOV = 0,04 PMB rp
si la empresa no asume el riesgo de inversin pero el importe destinado a

cubrir los gastos de gestin se fijan para un periodo superior a los cinco
aos, entonces:
MSOV = 0,01 PMB r p
si la empresa no asume el riesgo de inversin pero el importe destinado a

cubrir los gastos de gestin se fijan para un periodo no superior a los
cinco aos, entonces ser el 25% de los gastos de administracin netos
de dicha actividad correspondientes al ltimo ejercicio presupuestario GANt-, es decir:
MSOV = 0,25 GANt
si asume el riesgo de mortalidad, entonces:
41
MSOV = k CER rC
Con k definido como en el caso de los seguros no ligados a fondos de
inversin.
Finalmente, en el caso de las operaciones tontinas, el MSOV se fijar como el
1% de sus activos -At-:
MSO V = 0,01 At
Seguros no vida: Fondo de Garanta Mnima
Se obtiene como el mximo entre una cantidad fija -Z- y un tercio del MSONV,
es decir:
MSONV
FGM NV = maxZ ;
en donde Z vale 3 millones de euros si la empresa cubre todos o parte de los

riesgos incluidos en los ramos de responsabilidad civil, crdito o caucin, y 2
millones de euros en el resto de los casos.
Seguros vida: Fondo de Garanta Mnima
En este caso, se obtiene como el mximo entre un fijo de 3 millones de euros y

un tercio de MSOV, es decir:
MSOV
FGMV = max3;
Regla de actualizacin de las cantidades de FGM y umbrales

Tanto los umbrales de primas -50 millones- como de siniestros -35 millones- y
la cantidad fija del FGM, tanto en vida como en no vida, estn sujetos a revisin
anual a partir del 20 de septiembre de 2003, de acuerdo a las modificaciones
experimentadas por el ndice de precios europeo en los Estados Miembros con
arreglo a lo que publique Eurostat. Las cantidades se adaptarn automticamente aumentando su importe inicial en igual cambio porcentual que
dicho ndice, redondeado hasta un mltiplo de 100.000 . Si el cambio
porcentual desde la ltima actualizacin es inferior al 5% no se efectuar
actualizacin alguna.
En lneas generales, se trata de un sistema sencillo de poner en prctica que
permite la comparacin de resultados entre entidades. Sin embargo, tiene
ciertas limitaciones, tales como:
-
los activos y pasivos no se valoran de acuerdo con el mercado.
42
no se consideran riesgos distintos de los tcnicos (primas, siniestros,

reservas en no vida y CER en vida). Por ejemplo, el riesgo asociado a la
inversin no se considera a la hora de evaluar las exigencias de capital, y
nicamente se aborda como una restriccin a la hora de invertir los
activos.
aspectos tales como la diversificacin del riesgoo su transferencia no

implican reducciones en la cantidad exigida de capital.
la incidencia del reaseguro es muy reducida -slamente a travs de la

tasa de retencin- y no se consideran aspectos como la calidad crediticia
de los reaseguradores.
2. OTROS MODELOS DE MEDICIN DEL RIESGO

2.1. El modelo bancario: Basilea II
Tradicionalmente, se suele afirmar que Solvencia II es la versin aplicada al
mbito asegurador de lo que ha sido Basilea II en la esfera bancaria. Es cierto
que aparentemente esto es as: ambos modelos se basan en un esquema de
tres pilares, cada uno de los cuales aborda el mismo aspecto. Adems, en
ambos mecanismos se permite el uso de modelos internos para evaluar el
riesgo. Sin embargo, las diferencias entre ambos modelos son notables. As,
Basilea II persigue el fortalecimiento de la solidez y estabilidad del sistema
bancario internacionaal. De hecho, Basilea II se dirige sobre todo a la banca
con actividad internacional. Por su parte, Solvencia II persigue ante todo, la
proteccin del asegurado, por lo que se dirige a todas las aseguradoras.
Otra diferencia estriba en la forma de tratar los riesgos. Basilea II emplea
modelos separados para los riesgos de inversin, crdito y operativos,
buscando sobre todo la incidencia sobre la capacidad crediticia. Por su parte,
Solvencia II analiza todos los riesgos de una forma integrada. Adicionalmente,
Basilea II se centra en el estudio del activo del balance, mientras que Solvencia
II aplica criterios econmicos tanto al activo como al pasivo.
2.2. El modelo norteamericano
Conocido como RBC -Risk based Capital- fue puesto en marcha entre 1993 y
1994. Est basado en normas perfectamente definidas, no en principios. Para
calcular el RBC se incluyen los siguientes riesgos:
-
Inversin en renta fija, variable e inmuebles

Crdito
Suscripcin -reserva de siniestros y siniestros pagados- y
Filiales
43
Se supone que todos estos riesgos son independientes entre s excepto el de

filiales que se considera totalmente correlacionado con los dems, por lo que la
expresin general para obtener el RBC ser:
RBC = CRf +
CR
2
i
siendo CRf el capital asociado al riesgo de las filiales y CRi el asociado al resto
de riesgos.
Este sistema presenta notables diferencias con Solvencia II:
-
est basado en normas y no en principios

los activos y pasivos se valoran de acuerdo a las normas contables de
EE.UU. y no respecto al mercado
se parte de suponer independencia entre la casi totalidad de riesgos,
mientras que en Solvencia II la correlacin se supone que se modelar de
forma explcita
el capital del RBC se basa en un modelo que incluye varios factores de
riesgo y no prev el uso ni de modelos internos ni de pruebas de
escenarios y
no hay ningn elemento que sea equivalente a lo que seran los Pilares II
y III de Solvencia II
Este sistema se desarrolla con ms profundidad en el apartado 3 de este

captulo.
2.3. El modelo britnico
Funciona desde enero de 2005. El objetivo de este sistema es que la
aseguradora disponga en todo momento de los recursos financieros necesarios
para garantizar que no existe riesgo considerable de incumplimiento de sus
compromisos50. Se basa en el clculo de dos cifras:
1)
el ECR: siglas de Enhanced Capital Requirement o Exigencias Mejoradas

de Capital y
2)
el ICA: siglas de Individual Capital Assessment o Evaluacin del Capital

Individual
1)
ECR. Distingue entre aseguradoras de vida y de no vida
a)
Aseguradoras de vida:
de forma general, ser la suma del Fondo de Garanta mnimo exigido por
Solvencia I ms el capital adicional exigido para hacer frente a las
50
FSA (2006): Integrated Prudential Sourcebook, prrafo 1.2.22.R.
44
oscilaciones del mercado51 -RCR o Resilience Capital Requirement que

podra traducirse por Exigencias adaptativas de capital-.
de forma especfica, para aqullas compaas cuyas provisiones tcnicas
sean superiores a 500 millones de libras esterlinas para productos con
participacin en beneficios, debern usar el llamado enfoque twin peaks,
cuyo objetivo es calcular la cantidad de capital adicional al de las
provisiones tcnicas para cubrir los pagos esperados de bonificaciones
descreccionales52. Esa cantidad se obtiene como la diferencia entre los
siguientes agregados:
Reservas matemticas + Capital exigido por Solvencia I + RCR y
Valor actual de las futuras obligaciones contractuales esperadas +
pagos justos previstos de bonificaciones discrecionales + margen de
capital en riesgo obtenido por pruebas de la clase stress testing para
los riesgos de inversin, crdito y anulacin53.
Por tanto, el ECR ser la suma del capital exigido por Solvencia I + RCR + la
cantidad obtenida aplicando el enfoque twin peaks, es decir:
ECR = SCRSolvencia I + RCR + CTwin Peaks

b)
Aseguradoras de no vida:
El ECR ser la mayor de las siguientes cantidades:
2)
el capital exigido segn Solvencia I, que es el denominado MCR y
el ECR, basado en el riesgo y que se obtiene como una cantidad

dependiente del patrimonio ms otra dependiente del riesgo menos
las provisiones de estabilizacin.
ICA
Se basa en el uso de modelos internos. Los llamados Individual Capital )

Adequacy Standards -ICAS- contienen instrucciones sobre cmo deben ser
elaborados54. Tanto la forma de elaborar el modelo como sus resultados deber
51
Segn el prrafo 4.2.11.G del Prudential Integrated Sourcebook de la FSA, el objetivo del RCR es
cubrir la desviacin adversa de:
valor de las obligaciones del seguro de vida
valor de los activos posedos para cubrir las obligaciones del seguro de vida
valor de los activos poseidos para cubir el RCR cuando esas desviaciones surjan como
consecuencia del riesgo de mercado respecto de inmuebles y ttulos de renta fija y variable.
52
FSA (2003): Enhanced Capital Requirements and individual capital assessments for life insurers,
Consultative Paper 195, pgina 4.
53
FSA (2006): Integrated Prudential Sourcebook, prrafo 7.4.40.
54
FSA (2006): Prudential Integrated Sourcebook, prrafo 2.3.
45
ser comunicados a la FSA, la cual comunicar posteriormente al asegurador su

decisin ante la cifra de capital exigido.
2.4. El modelo suizo

Se basa en el desarrollo del llamado Test Suizo de Solvencia -SST segn sus
siglas en ingls-. El proyecto comenz en mayo de 2003 y en diciembre de ese
mismo ao la Oficina Federal de Seguros Privados elabor su primer trabajo
conceptual, mejorado en mayo de 2004. Tras la entrada en vigor en 2006 de la
Ley de Supervisin de seguros se exige a todas las compaas que efecten
sus clculos usando el SST antes de 2008, establecindose que los objetivos
de solvencia se hayan alcanzado el 1 de enero de 2011.
La esencia del SST es muy parecida a la de Solvencia II ya que:
-
pretende proteger al asegurado,

el sistema se basa en principios,
parte de valorar activo y pasivo de acuerdo al mercado,
se basa en una estructura de tres pilares,
se fijan un capital mnimo y otro como objetivo. El capital objetivo se
obtiene como la suma del capital exigido en los requisitos de solvencia
ms el calculado en las pruebas de escenario y
existe un modelo estndar, si bien se incentiva al uso de modelos propios.
Este sistema se desarrolla con ms profundidad en los apartados 4 y 5 de este

captulo.
3. EL SISTEMA RBC AMERICANO
Creado por la NAIC -National Association of Insurance Commissioners- y
puesto en marcha en 1993 para la compaas de vida y en 1994 para las de no
vida. El proyecto RBC est dentro de un programa de racionalizacin y
armonizacin de las normas aplicadas a las aseguradoras en EE.UU.,
precedido de la definicin de un conjunto de normas contables comunes para la
elaboracin de las cuentas reglamentarias. Hay que tener en cuenta que las
aseguradoras elaboran sus cuentas siguiendo los conocidos como GAAP Generally Accepted Accounting Principles- pero si van destinadas a las
autoridades de control lo son siguiendo las normas SAP -Statutory Accounting
Principles-. Es a estas cuentas a las que se aplica el RBC.
El mecanismo de actuacin con el RBC se puede resumir en los siguientes
pasos:
1)
se calcula la necesidad de capital que cada empresa necesita para cada

uno de los riesgos que soporta.
46
2)
una vez obtenida, se calcula la necesidad de capital global, por una

operacin que no es exactamente una suma algebraica y
3)
se comparan los fondos propios que realmente tiene la emprsa con los
que debera tener de acuerdo al paso anterior. Para ello se calcula una
ratio entre los fondos reales y los que debera tener. Dependiendo del
resultado se determina cul ser la actuacin de las autoridades de
control, las cuales se recogen en la siguiente tabla donde RPR y RPE
recogen los recursos propios reales y los recursos propios exigidos
respectivamente:
Cociente RPR/RPE
> 100%
Nivel
-
Intervencin
75% - 100%
Company action level
50% - 75%
Regulatory action level
35% - 50%
Authorized action level
< 35%
Mandatory action level
La empresa debe presentar un

plan para recuperar la dotacin de
capital adecuada
La empresa debe ajustarse a las
medidas correctoras fijadas por la
autoridad de control
La autoridad de control puede
tomar el control de la compaa
La autoridad de control debe
colocar a la empresa bajo su tutela
An cuando los principios generales de aplicacin son los mismos en todas las
compaas, la obtencin del RBC difiere ligeramente segn se trate de
compaas de vida o de no vida.
Como en los casos anteriores, a cada partida se le asocia un coeficiente de
ponderacin, excepto a los crditos generados por operaciones de seguro. Por
ejemplo, los crditos sobre reaseguradoas se les pondera con un 10%.
3.1. RBC para compaas de no vida
En lneas generales, la clasificacin de riesgos es la siguiente:
-
Riesgos fuera de balance y de filiales -R0-
Riesgo de activo:
- Colocaciones en renta fija -R1- Otras colocaciones -R2- Crditos -R3-
Riesgos tcnicos:
- Provisiones de siniestros -R4- Insuficiencia de primas -R5-
A continuacin se explica cada uno de ellos:
47
R0: riesgos por compromisos fuera de balance y de filiales del grupo

Tiene dos componentes:
a)
b)
capital asociado al riesgo de las filiales. Puede ser o el valor contable de

los ttulos posedos o el RBC de cada uno de ellos.
capital asociado con compromisos no registrados en el balance de la
empresa.
R1: riesgos vinculados a colocaciones en renta fija

La obligaciones se ponderan por un coeficiente que recoge su calidad. Este
coeficiente lo fija la NAIC y va desde el 0% para los ttulos del Tesoro federal
americano, hasta el 30% para emisores casi en quiebra. Adems, se duplican
las ponderaciones de los diez emisores de mayor peso en la cartera.
R2: riesgo vinculado a otras colocaciones
Se asignan coeficientes de riesgo a tanto alzado: a las acciones les
corresponde un 15% y a los inmuebles un 10%.
Al igual que en R1, se duplica la ponderacin de los diez emisores con mayor
peso en la cartera, pero sin que la suma de estas diez ponderaciones
modificadas sobrepase el 30%.
R3: riesgo vinculado a otros crditos
Se distingue entre:
a)
R3 = crdito a reaseguradoras
b)
R3 = otros crditos
R4: riesgo vinculado a la constitucin de reservas -reserve riskSe aplican factores de ponderacin del riesgo sobre las previsiones para
siniestros a pagar, diferencindose segn ramos. Sin embargo, estos factores
varan de una empresa a otra ya que son el resultado de:
-
factores determinados por la NAIC para el conjunto del mercado, los

cuales se basan en el peor tipo de malus observado en 10 aos,
factores correctivos que reflejan las liquidaciones de la sociedad en
cuestin, los cuales se revisan anualmente y
la cifra resultante se puede ver compensada con los ingresos financieros
que pueden generar las provisiones.
Por tanto, existir necesidad de fondos propios por el factor R4 si el malus

mximo previsto en las provisiones de siniestros supere el excedente que
48
constituye la ausencia de descuento -por ingresos financieros- en las cuentas

elaboradas de acuerdo a los SAP.
R5: riesgo vinculado a la tarificacin -underwriting-premium riskEste riesgo surge por la posibilidad de que las primas de un ejercicio no cubran
los siniestros de ese periodo.Se calcula para cada ramo y de forma similar a
como se haca con R4, pero el coeficiente correspondiente se obtiene de
acuerdo a los siguientes pasos:
1)
2)
3)
4)
se escoge la ratio entre siniestros y primas ms elevado del mercado que

se haya registrado en los ltimos diez aos
este coeficiente se corrige parcialmente en funcin de la siniestralidad de
la compaa
a continuacin se multiplica por un factor de descuento para as
considerar los productos financieros futuros y
al resultado se le aade la ratio de gastos generales sobre primas.
De esta forma se obtiene una ratio combinada ampliada para cada empresa. El
porcentaje en exceso sobre 100 se aplica a las primas emitidas en el ao
contable.
Ajustes en R4 y R5:
-
existen deducciones especficas de ciertos ramos.

la cantidad resultante en R4 y R5 se multiplica por un factor entre 0,7 y 1
segn la importancia relativa de la rama de actividad principal.
las compaas que experimentan un crecimiento superior al 10% se les
aplica una sobreponderacin por crecimiento excesivo.
De todo ello, la cantidad RBC para una aseguradora de no vida se calcula

como:
2
1
1
RBC = R0 + R12 + R 22 + R3 + R3 + R3 + R 4 + R52

2
2
3.2. RBC para compaas de vida

En este caso, los riesgos son:
-
Riesgos fuera de balance y de filiales -C0Riesgo de activo -C1Riesgo de seguro -C2Riesgo vinculado al tipo de inters -C3aRiesgo comercial -C4a-
Veamos a continuacin cada uno de ellos por separado.
49
C0. Riesgo vinculado a compromisos fuera de balanace y a filiales de seguros.

Tiene el mismo sentido que R0
C1. Riesgo de colocacin o de activos -asset riskAplica a cada elemento del activo un coeficiente de ponderacin que va desde
el 0% hasta el 30% -acciones-. Se divide en tres grupos:
C1as = cantidad asociada a acciones

C10 = cantidad asociada a otras colocaciones y crditos sobre reaseguradoras
C3b = cantidad para sociedades con actividad de seguro sanitario. A esta
cantidad se la denomina Health Prepaid Provider Credit Risk.
C2. Riesgo de seguros -insurance riskAsociado a los riesgos de tarificacin inadecuada y de fluctuaciones aleatorias
de la siniestralidad. En este caso, la necesidad de capital se obtiene:
-
en funcin de las primas para el ramo permanent health insurance, con un

coeficiente entre 0,07 y 0,35
en funcin del capital con riesgo para las garantas de fallecimiento, en
cuyo caso, se aplican porcentajes decrecientes que van desde el 0,5%
hasta el 0,15%.
C3a. Riesgo vinculado al tipo de inters -interest rate riskSe obtiene aplicando a las provisiones matemticas de cada tipo de contrato un
factor que va desde el 0,75% para contratos no amortizables o de corta
duracin, hasta el 3% para contratos amortizables sin penalizacin de rescate o
casi sin ella.
Estos factores aumentan hasta el 50% para aquellas empresas que no pueden
demostrar que su activo y su pasivo se ajustan convenientemente, mediante
pruebas basadas en proyecciones de movimientos de efectivo -cash flow test-.
Para las empresas no penalizadas, desde 2000, el clculo de C3a se realiza
mediante el uso de escenarios: la NAIC proporciona un conjunto de curvas de
tipos de inters -entre 12 y 50 diferentes- y C3a se obtiene por ponderacin de
resultados obtenidos usando los distintos escenarios.
C4. Riesgo comercial general -business riskEngloba todos los riesgos no recogidos en los apartados anteriores.
Se divide en:
C4a = es el 2% de las primas de vida
C4b = para las empresas que trabajan en el ramo de salud, se considera una
cantidad relacionada con los gastos administrativos de ese ramo -Health
Administrative Expenses-.
Con todo ello, el RBC para una aseguradora de vida se calcula como:
RBC = C0 + C 4a +
(C10 + C3a )2 + C12cs + C22 + C32b + C42b

50

4. EL TEST SUIZO DE SOLVENCIA -SST4.1. Introduccin e ideas generales

Tradicionalmente la garanta de los compromisos con los asegurados se ha
conseguido mediante un conjunto de medidas entre las cuales se incluyen
requisitos sobre el volumen de reservas, tarificacin y normativa sobre los
activos en los que una compaa puede invertir. Por encima de todos ellos,
exite la exigencia de cumplir con un margen mnimo de solvencia basado en
una frmula estndar.
Debido al cambio en el entorno, las cadas de los mercados de valores y la
significativa reduccin de los tipos de inters en la renta fija o la elevacin de la
esperanza de vida, se ha producido una reduccin en los valores de mercado
de los recursos propios a la vez que un aumento en el valor de ciertas opciones
y garantas que fueron ofrecidas por las aseguradoras en el pasado.
Todo ello ha llevado a formular una nueva forma de regular y controlar la
actividad aseguradora que ha supuesto cambios en la forma de contabilizar o
en la elaboracin de requisitos sobre el capital ms exigentes.
En 2002, la Oficina Federal Suiza de Seguros -en adelante FOPI- comenz un
proceso de cambio respecto a la supervisin aseguradora que culmin en 2003
con un boceto de lo que se conoce como Test Suizo de Solvencia -en adelante
SST-, a la vez que comenzaban los trabajos de elaboracin de la Ley de
Supervisin del Seguro.
4.1.1. Objetivo
El objetivo de la FOPI es garantizar que los intereses de los tomadores estn
protegidos. Para ello, se eluden frmulas estndar pues son difciles de aplicar
ya que no son lo suficientemente flexibles y tienden a responsabilizar de la
gestin del riesgo al regulador. Por esta razn, la FOPI se ha decantado por un
enfoque basado en el riesgo, cimentado en los riesgos reales que soporta una
aseguradora. De esta forma, la empresa es la responsable de analizar sus
riesgos y de tenerlos en cuenta a la hora de calcular el capital adecuado.
Por tanto, el propsito de la FOPI se puede resumir en proteger a los
tomadores garantizando que cada aseguradora tiene el capital suficiente,
entendindose por tal cantidad aquella que habra en una situacin
escasamente probable -digamos con un 1% de probabilidad- y que sera
suficiente como para permitr que los activos y pasivos pudiesen ser
transferidos a un tercero.
Es decir, que habr suficientes activos como para cubrir los compromisos y los
costes del capital futuros de esa tercera parte.
51
4.1.2. Transparencia
Tradicionalmente la proteccin de los tomadores se realizaba de muy diversa
forma. Lo ms habitualha sido el establecimiento de normas estrictas sobre
dotacin futura de provisiones, tarificacin o incluso sobre el reparto de
beneficios. Aunque estas medidas pudieran tener el efecto buscado tambin
podran generar riesgo sistemtico. Por ejemplo, la imposicin de ciertas
normas de tarificacin para todas las empresas aseguradoras puede generar
efectos no deseados sobre el conjunto del mercado pues todas las compaas
estaran afectadas por el mismo error. Adems, no dara incentivos a las
compaas a competir en precios ni a innovar productos.
Al mismo tiempo, se ha recompensado a las compaas capaces de sortear la
norma -beat the system- y contratando negocios que han aumentado ese tipo
de riesgos que no son controlados por el supervisor. En concreto, los riesgos
de descompensacin entre activo y pasivo -conocido como Assets & Liabilities
Mismatched Risks- han sido, hasta ahora, escasamente identificados y
evaluados. Algunos ejemplos de estos riesgos pueden ser:
la insensibilidad en Solvencia I hacia el riesgo originado por la tenencia de

acciones -equity risk- que ha conducido a las aseguradoras europeas a
grandes exposiciones a l.
una burda separacin de calidades crediticias en Basilea I fue, en parte, la
causante de la crisis financiera asitica o
la posibilidad de arbitraje entre bancos, aseguradoras y fondos de
pensiones.
4.1.3. Valor consistente de activos y de pasivos

El SST se basa en una valoracin consistente con el mercado. Eso significa
que los activos y pasivos se valoran a su precio de mercado y que, en estos
ltimos, se consideran todas las opciones y garantas que lleven incorporadas.
4.1.4. Incentivos para la gestin del riesgo

Los reguladores suizos han elaborado un modelo estndar lo ms general, el
cual se debe adaptar al perfil de riesgo de cada compaa. El SST incentiva
que las compaas desarrollen modelos internos y que los utilicen siempre que
sean capaces de demostrar al FOPI que recogen el perfil de riesgo mejor que
el modelo estndar.
El actuario responsable de cada compaa deber evaluar el posible efecto
adverso que ciertos escenarios tendrn sobre el capital -activo y pasivo a valor
de mercado-. Aunque algunos escenarios sean propuestos por el regulador,
otros pueden ser sugeridos por el actuario para reflejar la situacin especfica
de la empresa.
52
4.1.5. Ausencia de quiebra

En el pasado, cuando una aseguradora comenzaba a tener problemas
financieros, las soluciones habituales eran que o bien otra aseguradora
adquira su cartera de plizas o bien que los accionistas inyectaban capital a la
compaa. Sin embargo, no siempre se podr confiar en que el problema se
solucione por lo que el supervisor deber tener una batera de posibles
medidas disponibles para los casos en los que la situacin financiera se
deteriore. Entre ellas tendramos las siguientes:
exigencia de llevar a cabo un programa de accin que permita

recomponer el nivel de capital
una mayor inversin en activos poco arriesgados
una mejora en su gestin de activos y pasivos
auditora por actuario y/o auditor independientes
reduccin del pago de dividendos
ampliacin de capital
cierre o reduccin de nuevas plizas
prohibicin de llevar a cabo adquisiciones
transferencia de parte de la cartera de plizas a otras compaas
liquidacin de compromisos
nombramiento de un equipo de direccin designado por el regulador.
4.1.6. Compatibilidad con Solvencia II

El esquema de Solvencia II se basa en la existencia de tres pilares. El primero
de ellos es el referente al clculo de las exigencias legales de capital. Se basa
en el uso de mrgenes prudentes pero sin una valoracin explcita de opciones
y garantas y sin una consideracin explcita de riesgos concretos.
La cifra objetivo de capital, tal y como se define en el SST, estara dentro de lo
que se considera el Pilar II. Es un repaso de la adecuacin del capital
econmico de una compaa, basado en el riesgo econmico, en donde se
consideran explcitamente los riesgos financieros y actuariales incluyndose
opciones y garantas.
Para intentar que las compaas suizas no estn en desventaja competitiva con
las de la UE, se desea que el SST sea compatible con Solvencia II. Por ello,
tambin se basar en la existencia de las dos cifras de referencia -capital
mnimo y capital objetivo- y se pemit el uso de modelos internos.
Sin embargo, la compatibilidad con Solvencia II no significa que el SST tenga
que esperar a que el sistema europeo se ponga en marcha, sino que se
introducir -cuanto antes- y se dar un periodo transitorio para ir ajustando las
necesidades de capital.
53
4.1.7. Capital mnimo y capital objetivo

Habr dos cifras de referencia:
-
capital mnimo que se basar en las cifras del balance legal. Aun siendo
fcil de calcular, no refleja la exposicin al riesgo
capital objetivo, basado en el riesgo soportado y calculado de acuerdo a

valoraciones de mercado. Se le considera una seal temprana de alerta,
de forma que, si no se alcanza la cifra objetivo no significa que la empresa
sea insolvente, sino que se debe comenzar a aplicar medidas correctoras.
4.1.8. Ejemplos de mecanismos basados en el riesgo

Hay varios pases que ya utilizan esquemas de este tipo:
-
el primero en usarlos fue Finlandia que ya en 1953 comenz a aplicar un

modelo de capital especfico para cada compaa. Tambin consider el
carcter estocstico del negocio mediante las Reservas Especiales de
Nivelacin -Special Equalization Reserves-
a mediados de los 80 del pasado siglo, Canad comenz a aplicar las

llamadas Exigencias de Capital mnimo para la continuacin -Minimum
Continuing Capital and Surplus Requirements-. Los aseguradores de
aquel pas estn obligados a usar escenarios para disear sus planes de
negocio para los prximos aos -intervalo comprendido entre 3 y 5-
en los 90, EE.UU. adopt un esquema basado en el modelo canadiense NAIC Requirements-
en los ltimos aos se han sucedido desarrollos ms o menos

complicados en Singapur, Australia y Reino Unido, a los que se unir
Holanda con su Test Holands de Solvencia -Dutch Solvency Test- que
incide en el uso de escenarios como complemento del modelo estndar
en 2004, la Asociacin Internacional de Actuarios -IAA- hizo pblico un

documento55 en el que se incluan recomendaciones sobre la forma de
llevar a la prctica un esquema basado en el riesgo. Entre ellas:
- medicin del riesgo usando la medida conocida como Expected
Shortfall o Tail VaR
- uso de todo el balance
- horizonte temporal de un ao y
- uso de un margen de riesgo explcito
55
IAA (2004): A global framework for Insurer Solvency Assessment, International Actuarial
Association.
54
4.2. Concepto
4.2.1. Elementos clave del SST

Su pieza clave es que el resultado del test es doble pues no slo se busca
obtener la cifra del capital asociado al riesgo soportado sino tambin la
distribucin estadstica de esta magnitud. El clculo consiste en el uso
combinado de modelos estocsticos junto con escenarios. En lneas generales,
los ejes bsicos del SST son:
activos y pasivos valorados segn mercado

los riesgos clave son el de mercado, crdito y los tcnicos
la medida del riesgo usada es la prdida esperada en un ao o Tail VaR
existen modelos estndar para los riesgos clave
el capital objetivo se obtiene agregando al resultado del uso del modelo
estndar el obtenido con el uso de escenarios
en caso de dificultades financieras, los tomadores estn protegidos por el
margen de riesgo
se pueden usar modelos internos, cuyas hiptesis han de estar
debidamente documentadas en un informe que se ha de entregar al
regulador
se considera el reaseguro y
el valor de mercado de los compromisos de pago es igual al mejor
estimador ms un margen de riesgo
4.2.2. Modelos estndar, escenarios y su agregacin

Excepto para el riesgo de crdito, los resultados de los modelos estndar son
distribuciones de probabilidad que describen la naturaleza estocstica del
cambio en el capital asociado al riesgo por modificaciones en los factors de
riesgo analizados. Estos resultados, junto con los de los escenarios que se
utilizan, se agregan. La agregacin consiste en calcular la media ponderada de
la distribucin de probabilidad formada por las situaciones que se podran
considerar como normales -modelo estndar- y las situaciones especiales escenarios-.
4.2.3. Modelo estndar

El SST incluye los siguientes riesgos:
1.
2.
3.
Riesgo de mercado: engloba los riesgos de tipos de inters, tipos de

cambio, renta variable y diferenciales de crdito. Se basa en un enfoque
de covarianzas y supone que cada uno de ellos sigue una normal
multivariante.
Riesgos tcnicos de vida: engloba el riesgo biomtrico y el asociado al
comportamiento del tomador.
Riesgos tcnicos de no vida: engloba los asociados a los siniestros
futuros del presente ejercicio y el resultado en reservas.
55
4.
5.
Riesgos del seguro de salud: distribuciones normales de los riesgos de

este negocio.
Riesgo de crdito: utiliza el enfoque estandarizado de Basilea II.
4.2.4. Valoracin consistente con el mercado

Se debe aplicar tanto al activo como al pasivo. Si no fuera posible aplicar
precios de mercado, su valor se determinar analizando valores comparables,
considerando la liquidez y otras caractersticas especficas del producto.
En cuanto al pasivo, se debera considerar todas las partidas, incluidas
aqullas que en el momento del anlisis estn fuera del balance. En este caso,
la valoracin consistente de los compromisos implica calcular el valor actual de
las obligaciones futuras. Se utilizar como factor de descuento la curva de
rendimientos de activos sin riesgo.
4.2.5. Capital objetivo

Hay que diferenciarlo del capital asociado al riesgo o capital econmico. Este
ltimo es la diferencia entre el valor del activo de acuerdo al mercado y el mejor
estimador de los compromisos futuros, mientras que el capital objetivo o legal
hace referencia al nivel que, de acuerdo con la normativa vigente, dicha
magnitud contable debe alcanzar. El capital objetivo consta de:
1)
Margen de riesgo: aquella cantidad con la que habra que compensar a

una compaa por hacerse cargo del riesgo de la aseguradora. De forma
ms precisa, es el coste del capital en que se incurre por mantener un
nivel de capital de acuerdo a la regulacin por hacerse cargo de los
activos y pasivos de una aseguradora.
2)
Prdidas esperadas -Tail VaR-: cantidad de capital asociada al riesgo que

se necesitara hoy tal que, si consideramos el peor porcentaje de
escenarios para el prximo ejercicio -por ejemplo, el 1%- y obtenemos su
valor medio, el capital asociado al riesgo podra cubrirlo y an sobrara
una cantidad para cubrir el margen de riesgo. Ms formalmente, la
prdida esperada -expected shortfall- es la suma capaz de compensar el
x % de las peores prdidas previstas.
4.2.6. Riesgos incluidos

Se distingue entre riesgos cuantitativos y cualitativos.
1)
Riesgos cuantitativos:
- Riesgos financieros: de renta variable, quiebras y
- Riesgos tcnicos: daos por posibles granizadas, riesgo de un
inadecuado nivel de reservas, desviaciones de la mortalidad respecto
de lo esperado.
56
2)
Riesgos cualitativos: aqullos que son difciles de medir, tales como los
riesgos operativos, legales, etc.
4.3. Valoracin consistente con el mercado
4.3.1. Activos
Todos los activos deben valorarse a su valor de mercado. En el caso de los
activos negociables en mercados organizados esta tarea es fcil de llevar a
cabo, basta con tomar su precio. Sin embargo, no siempre es as de sencillo.
En esos casos, se analizan valores comparables en mercados de activos con
caractersticas semejantes.
4.3.2. Pasivos
Sera la cantidad que una compaa est dispuesta a pagar a otra por
deshacerse de esos compromisos. Sin embargo, no existen mercados para
pasivos, por lo que una valoracin consistente con el mercado se obtiene como
la suma del mejor estimador ms el margen de riesgo.
En cuanto al mejor estimador no existe una nica forma de calcularlo. Entre las
posibles maneras tenemos las siguientes:
valorar una cartera que replique la que posee la seguradora56,

modelar los compromisos con los tomadores y sus interrelaciones con los
mercados financieros utilizando un enfoque estocstico y
utilizar factores de descuento o escenarios neutrales al riesgo que
asegure la consistencia de la estimacin.
Es decir, se deben considerar todos los compromisos, incluyendo opciones

incorporadas en la cartera, tales como valores garantizados de rescate o la
posibilidad de ventas vitalicias garantizadas. Sin embargo, a veces el tomador
no se comporta de manera racional y ello tambin debe considerarse al valorar
los compromisos siempre que simular el comportamiento del tomador est
empricamente justificado. Por ejemplo, en algunos casos tales como
pensiones colectivas, no es posible establecer el valor futuro de los
compromisos con el adecuado grado de precisin. Ello es as porque parte de
los compromisos estn definidos por factores externos tales como los poderes
polticos. Por ello, el SST slo considera los compromisos contractualmente
acordados o exigidos por la ley.
56
Blhman, H. (2003): Multidimensional Valuation, Lecture Notes Kolmogorov Centennial

Conference, Moscow State University.
57
4.4. Margen de riesgo

Es el coste que supone el capital que, de acuerdo con los requerimientos
legales, se va a exigir en el futuro hasta la liquidacin de la cartera. Se fija de
tal forma que una parte de l se puede usar para pagar el capital exigido por la
regulacin en el presente ao y el resto sea suficiente para establecer el
margen de riesgo al final del presente ao. Si este margen no estuviera
disponible, no le sera posible a un tercero hacerse cargo de la cartera. As
pues, en caso de que se transfiera la cartera, tambin se debera transferir el
margen pues no es un capital que pertenezca a la aseguradora.
En la prctica, se calcula como el valor actual de los costes futuros en que la
compaa incurre por mantener el nivel de SCR que exige el SST en el caso en
que la compaa fuese liquidada por un tercero. Para las pruebas de campo
realizadas en 2004, se supuso que el coste del capital era de un 6%.
Otro aspecto a tener en cuenta es el de la iliquidez de los activos. La
distribucin de activos se puede cambiar para representar ptimamente los
compromisos de pago de la aseguradora. A este cambio se le denomina rplica
ptima de la cartera, de tal forma que si esa situacin se alcanza, se minimizan
los requisitos de capital a alcanzar.
Una descripcin ms detallada de cmo se calcula el margen de riesgo en el
SST se recoge en el apartado 5 de este captulo.
4.5. Reaseguro
La consideracin del reaseguro afecta al clculo de los niveles ptimos de
capital y de las provisiones. El riesgo de quiebra de las reaseguradoras se
debe considerar usando un escenario especfico, en el cual se supone que
todas las reaseguradoras quiebran a la vez. Por tanto, si se utiliza el Tail VaR
como medida del riesgo, el efecto de la quiebra simultnea de todas las
reaseguradoras ser la diferencia entre lo que podramos considerar el Tail
VaR bruto -calculado para la situacin en la que quiebran todos los reaseguros
contratados- y el Tail VaR neto -clculo en el que se excluye la menciona
situacin-.
La probabilidad de ese escenario ser la asociada a la quiebra de todas las
reaseguradoras. Por tanto, para calcular el capital objetivo bruto, es decir,
considerando esta contingencia, se deber obtener una funcin de distribucin
que se calcula como la ponderacin de la funcin de distribucin asociada con
el escenario de quiebra de todas las reaseguradoras -FQ- y la funcin de
distribucin que excluye esa contingencia -FR-, es decir:
FT (x ) = FQ (x ) + (1 )FR (x )
(0,1)
Siendo la probabilidad de quiebra simultnea de todas las reaseguradoras.
58
4.6. Modelo estndar
4.6.1. Modelo para activos

Se trata de cuantificar el riesgo asociado a los cambios en ambos lados del
balance debido a modificaciones de factores de mercado. Conceptualmente es
similar al enfoque usado por Riskmetrics57, es decir, basado en la matriz de
varianzas y covarianzas entre los factores de riesgo.
El modelo utiliza 23 factores de riesgo, que son los siguientes:
Estructura de tipos de inters por intervalos de tiempo:

- tipos de 0 a 2 aos
- tipos de 30 o ms aos
Volatilidad implcita en los tipos de inters
Tipos de cambio58: EUR/CHF, GBP/CHF, USD/CHF, JPY/CHF
Volatilidad implcita de los tipos de cambio
ndice de precios de acciones
Renta variable en cartera
Hedge Funds
Participaciones
Otros ttulos de renta variable
Volatilidad implcita del ndice de precios de acciones
Inmuebles
Diferencial de crdito
Se supone que todos los cambios en los factores se distribuyen segn una
distribucin normal de media cero. El comportamiento conjunto de los factores
se recoge en la matriz de covarianzas. Cambios en los factores de riesgo
conducen a cambios en los niveles de capital asociados al riesgo, pero se
supone que de forma lineal, es decir: C R = + F R
Siendo CR el capital, FR el factor de riesgo y la sensibilidad del capital a ese
factor. Por tanto, a partir de las hiptesis utilizadas, el cambio en el capital
asociado al riesgo debido a modificaciones de todos los factores a la vez se
distribuye como una normal y la volatilidad -varianza- se puede obtener a partir
de las sensibilidades y la matriz de varianzas y covarianzas de los factores de
57
Morgan Guaranty Trust of New York (1996): Riskmetrics, Technical Document.
58
EUR, GBP, USD, JPY y CHF son los cdigos internacionales 150 4217 del euro, libra esterlina,
dlar estadounidense, yen japons y franco suizo respectivamente.
59
riesgo59. Este modelo es una simplificacin de la realidad pues no se

consideran ni determinados factores -como los asociados al riesgo de liquidezni las situaciones asociadas a no linealidades -como por ejemplo, las opcioneslas cuales se tratan con escenarios.
Para evaluar el capital se deben usar datos mensuales cuando sea posible.
Algunas volatilidades son facilitadas por el regulador -como las asociadas a los
tipos de inters o de cambio-, mientras que otras debern ser estimadas por la
compaa -como la volatilidad de la cartera de renta variable en posesin de la
aseguradora-.
4.6.2. Modelo para seguros de vida

Est definido por un conjunto de factores en donde se supone que los cambios
en ellos siguen una distribucin normal. El mecanismo es el siguiente: la
compaa calcula la sensibilidad del capital afecto al riesgo respecto a cada
uno de esos factores para, a continuacin, agregarlos teniendo en cuenta tanto
las volatilidades de los factores como las correlaciones entre ellos60. Los
factores utilizados junto con sus volatilidades y correlaciones son los que
figuran en la siguiente tabla:
59
En efecto, es una aplicacin de la propiedad reproductiva de la normal: si i sigue una normal

N(i,i) para cualquiera que sea i = 1, 2, ,n y sea
n
z=a+
b
i
i =1
entonces z sigue una normal N(z,z) siendo:
z = a
b
i
i =1
z =
b b
i
i =1 i =1
Por ejemplo, sea CR = + 1F1 + 2F2, funcin nicamente de dos factores, los cuales siguen
distribuciones normales N(1,1) y N(2,2) respectivamente. El cambio en el capital es:
CR = 1F1 + 2F2
El cambio esperado es:
E(CR) = 1E(F1) + 2E(F2) = 0
y su volatilidad:
2 12 1
2 2
2 2
2 = [1 2 ] 1
= 1 1 + 2 2 + 21 2 12
2
12 2 2
60
De forma semejante a como se obtiene el VaR usando el enfoque de matrices de varianzas y

covarianzas.
60
F1
F2
F3
F4
F5
F6
F7
Volatilidades
20%
10%
10%
20%
20%
25%
25%
F1
1,00
0,00
0,00
0,00
0,00
0,00
0,00
F2
0,00
1,00
0,00
0,00
0,00
0,00
0,00
F3
0,00
0,00
1,00
1,00
0,00
0,00
0,00
F4
0,00
0,00
1,00
1,00
0,00
0,00
0,00
F5
0,00
0,00
0,00
0,00
1,00
0,00
0,00
F6
0,00
0,00
0,00
0,00
0,00
1,00
0,75
F7
0,00
0,00
0,00
0,00
0,00
0,75
1,00
Siendo F1 a F7 los siguientes factores: mortalidad, longevidad, discapacidad en pensiones de cotizacin obligatoria-, discapacidad -en pensiones de
cotizacin no obligatoria-, tasa de recuperacin -en pensiones de cotizacin
obligatoria-, tasa de rescates y opcin sobre el capital, respectivamente.
El horizonte temporal contemplado es de un ao y, al igual que antes, se
supone que la relacin entre los factores y el capital es lineal. Los factores
pueden modificarse por las siguientes causas:
fluctuaciones aleatorias -riesgo estocstico- y/o

por cambios o por mala estimacin de los factores -riesgo de tendencia y
de parmetros-.
4.6.3. Modelo para seguros no vida

No est basado en factores sino en distribuciones de probabilidad. Desde un
punto de vista tcnico, el objetivo de este modelo es determinar la ley de
probabilidad que sigue el cambio en el capital asociado al riesgo como
consecuencia de la variabilidad en el resultado tcnico. Este ltimo est
determinado por primas devengadas, costes, siniestros futuros y el resultado
de reservas -por ejemplo, cambios en los compromisos existentes-. Las
prdidas futuras son modeladas distinguindose entre grandes y pequeas
prdidas. La modelacin de algunas catstrofes se realiza usando
escenarios61. El cambio en las reservas se modela utilizando una distribucin
para cada ramo.
A. Prdidas futuras del ao actual

Como se ha sealado, los siniestros se dividen en grandes y pequeos:
pequeos: se trata de estimar las futuras primas y la variabilidad del ratio

de prdidas -loss ratio- en cada ramo para esta categora de siniestros.
Con estos valores y con las correlaciones entre ramos se obtiene la media
61
En el SST se entiende por catstrofe aqullos siniestros que afectan a varios ramos a la vez o que
no estn cubiertos en la distribucin de Grandes Siniestros.
61
y la varianza de la distribucin total para esta clase de siniestros, la cual

se supone que sigue una distribucin del tipo gamma62.
grandes: se elaboran modelos para cada ramo y se supone que siguen

una Poisson compuesta, en donde el nmero sigue una ley de Poisson y
la cuanta una ley de Pareto que puede ser truncada.
Tras la estimacin de las funciones de distribucin de las futuras prdidas, se

trata de estimar la senda de pagos asociada, la cual se descuenta utilizando el
tipo de inters libre de riesgo.
B. Prdidas de aos anteriores

Se trata de obtener una distribucin de probabilidad para los resultados de
reservas. Para ello se utilizan las volatilidades histricas de los resultados de
reservas para estimar la varianza de cada ramo.
Se asume independencia entre los ramos, por lo que la varianza agregada es
la suma de varianzas. El modelo supone que el resultado de reservas es una
variable que sigue una distribucin lognormal inversa apuntalada -shifted
inverse lognormal-.
Como en el caso anterior, una vez obtenida la distribucin se estima la
secuencia de pagos futuros y se descuenta utilizando el tipo de inters libre de
riesgo.
C. Agregacin de distribuciones
En primer lugar, se agregan las distribuciones de los siniestros pequeos y de
los resultados en reservas. Se supone que la suma de ambos sigue una
distribucin lognormal apuntalada -shifted lognormal- en donde su media y
varianza se obtienen a partir de los dos primeros momentos de las
distribuciones de partida y de una cierta matriz de correlaciones entre ramos.
Tras esta agregacin se le aade la distribucin de grandes prdidas mediante
convolucin.
62
La distribucin gamma -G(,,x)- tiene la siguiente funcin de densidad:

1 x
f (x ) =
x e
x > 0 , > 0
( )
siendo
la expresin de su esperanza y
la de su varianza.
62
4.6.4. Modelo para el seguro de salud

Se supone que el resultado tcnico de este negocio sigue una distribucin
normal. Se consideran dos actividades:
1)
2)
costes individuales por cuidados sanitarios y subsidios diarios y

subsidios diarios para grupos
A partir de la historia de prdidas de la cartera, las compaas establecen el

valor esperado y la desviacin tpica del resultado de ambas actividades para,
a continuacin, agregar los resultados teniendo en cuenta una cierta
correlacin entre esas actividades.
4.6.5. Modelo para el riesgo de crdito -Basilea IISe utiliza el modelo estndar empleado por la banca en Basilea II. Se excluyen
tanto el riesgo de impago por parte de las reaseguradoras como el riesgo de
diferenciales de crdito -credit spread risk-. Es posible utilizar modelos internos
siempre que se utilice como medida de riesgo el VaR al 99%, que es la medida
utilizada en Basilea II.
4.7. Escenarios
Son descripciones de posibles estados de la naturaleza en los que se analiza
las consecuencias de variar simultneamente todo el conjunto de factores de
riesgo que pueden afectar a una situacin. Los escenarios pueden ser:
a)
b)
cualitativos: son evaluados pero no incorporados al clculo del capital

objetivo
cuantitativos: para su evaluacin se requiere de una cierta probabilidad y
su resultado s es agregado al clculo del capital objetivo.
La realizacin de escenarios es necesaria en el SST porque el modelo

estndar no refleja el comportamiento de las colas de la distribucin de
probabilidad.
Para la prueba realizada en 2004, se definieron varios escenarios, entre ellos:
-
escenario industrial: explosin en una planta qumica con daos en las

personas, propiedades y el negocio
pandemia: se simularon los efectos de la gripe espaola de 1918
accidente de autobs, en donde todas las personas implicadas estn
aseguradas en la misma compaa
situacin de pnico en un estadio con resultado de muertos, heridos y
discapacitados
granizadas
rotura de una presa
terrorismo y
63
escenarios histricos de riesgo financieros, como el crash de 1987 o la

crisis del SME de 1992.
4.8. Agregacin de los escenarios con el modelo estndar

Sin tener en cuenta los escenarios, se obtiene una distribucin de probabilidad
-la del modelo estndar- que podramos considerar la de situaciones normales.
Al considerar los escenarios pueden darse las siguientes situaciones:
a)
b)
el resto de los riesgos no incluidos en el escenario no se modifican.

Entonces el estado econmico de la empresa viene descrito por la
distribucin de probabilidad del escenario.
a veces, se puede obtener una distribucin de probabilidad con un perfil
distinto al obtenido mediante el modelo estndar. Por ejemplo, si el
comportamiento de los mercados financieros cambia y los factores elevan
su correlacin.
Por tanto, la distribucin de probabilidad final se obtendr por la agregacin de

la distribucin del modelo estndar ms las distribuciones de los distintos
escenarios. La agregacin se realiza ponderando, en donde el factor de
ponderacin es la probabilidad de ocurrencia de cada escenario.
4.9. Modelos internos

El regulador suizo incentiva al uso de modelos internos pues de esta forma se
reduce el peligro de calcular las necesidades propias de capital a partir de un
modelo general impuesto por la autoridad supervisora.
No obstante, los modelos internos deben satisfacer ciertos requisitos:
a)
de tipo cualitativo: deben considerar todos los factores relevantes as

como las relaciones entre ellos. Tanto los parmetros utilizados como los
datos deben ser relevantes. Se debe citar la fuente de los datos. El
actuario encargado debe evaluar el modelo y la estabilidad de los
resultados mediante el uso de tcnicas adecuadas -por ejemplo, backtesting o anlisis de sensibilidad-. Se debe revisar regularmente y ajustar
si fuese preciso.
b)
de tipo cuantitativo: todas las partidas consideradas han de ser valoradas

de acuerdo a mercado y se deben utilizar las mismas medidas de riesgo
que en el SST.
c)
de tipo organizativo: debe estar integrado en los procesos de gestin

diarios del riesgo y ser regularmente comprobado y actualizado.
64
4.10. El informe sobre el SST

Recoge la posicin de riesgos de la compaa. Tiene un contenido mnimo
exigido por el regulador. Se debe realizar anualmente y ha de estar firmado por
el mximo responsable de la compaa. Este informe debe seguir un guin
elaborado por el regulador que la compaa se encargar de completar. Los
comentarios y explicaciones de este guin describirn los siguientes aspectos:
1)
Valoracin de activos consistente con el mercado:
2)
metodologa de valoracin e hiptesis si fuesen necesarias

comparacin con la cifra de activos exigidos por la legislacin
Valoracin de pasivos consistente con el mercado:
hiptesis, con justificacin de las mismas, de tipo:

financiero
actuarial
de comportamiento del tomador
parmetros polticos
comportamiento de la direccin
gastos
nuevas actividades
metodologa
comparacin con la cifra de reservas exigida por la legislacin
enfoque de validacin
3)
Determinacin del Margen de Riesgo
4)
Capital disponible
5)
Modelos estndar:
desviaciones en los mismos y su justificacin
resultados de sensibilidad
capital objetivo con el modelo estndar
6)
Modelos internos:
descripcin en profundidad y de los cambios respecto al ao anterior
resultado -capital objetivo comparacin con los resultados del modelo estndar y explicacin de
las divergencias
enfoque de validacin
7)
Escenarios:
escenarios especficos para la compaa
validacin de los mismos
65
8)
Descripcin de las reducciones de riesgo:

programas de reaseguro
titulizacin
agregacin de riesgo en cestas -pooling otras medidas
9)
Principales riesgos de la compaa y evaluacin sobre si esos riesgos

estn adecuadamente recogidos en el SST
10) Descripcin de los riesgos de concentracin

11) Descripcin del tramiento de los riesgos operativos
12) Valoracin de otros riesgos relevantes -por ejemplo, estratgicos,
polticos- y otros posibles a los que pueden encarar la compaa en el
futuro.
4.11. Riesgos operacionales
Actualmente son muy difciles de evaluar, por lo que en una primera fase se
llevarn a cabo evaluaciones cualitativas. No existe an un volumen de datos lo
suficientemente abundante como para establecerlo de forma objetiva. Este tipo
de riesgos se pueden controlar mediante medidas adecuadas por parte de la
direccin. Para los reguladores es muy importante que las compaas tengan
sistemas internos eficientes para la gestin del riesgo.
Esa tarea se llevar a cabo mediante cuestionarios de autoevaluacin, cuyas
directrices sern diseadas por la autoridad supervisora y que todas las
compaas estn obligadas a rellenar anualmente. El regulador puede pedir
aclaraciones, si lo cree oportuno, aunque todas las compaas deberan
debatirlo con el regulador al menos una vez cada tres aos. Deber ir firmado
por el Consejo de Administracin y la direccin y deber incluirse dentro de la
Auditora. Si la gestin de riesgos no fuera la adecuada, se pueden aplicar las
siguientes sanciones:
elevacin de los requisitos de supervisin,

adicin de un importe extra al capital objetivo y/o
amonestacin pblica
Adems de este cuestionario, las aseguradoras estn obligadas a almacenar

los datos que facilita la evolucin del riesgo operacional pues se espera poder
tratarlo cuantitativamente en unos pocos aos.
5. OBTENCIN DEL MARGEN DE RIESGO: LA EXPERIENCIA DEL SST
Para las autoridades suizas, todas las partidas de activos y pasivos deben ser
valoradas de forma consistente con el mercado. En concreto, para establecer el
valor adecuado de las provisiones tcnicas se pueden seguir dos enfoques:
66
1)
al valor adecuado segn mercado -best estimate- se le aade un percentil

de la distribucin de daos -por ejemplo, el esquema australiano utiliza el
percentil 75, que fue uno de los mecanismos barajados por CEIOPS para
Solvencia II- y
2)
al valor segn mercado se le aade un margen consistente con el

mercado -es el Market Value Margin o MVM-.
El FOPI suizo se ha decantado por este ltimo esquema.

5.1. El enfoque suizo del MVM
El SST est basado en los siguientes principios:
1)
2)
3)
4)
5)
6)
7)
todo el activo y el pasivo deben valorarse a precios de mercado

el valor de mercado de activos negociados es su precio en esos
mercados
el valor de mercado de las provisiones tcnicas es el valor descontado de
la mejor estimacin de todos los flujos comprometidos -incluyendo
garantas, opciones, gastos de administracin y gastos generales- ms el
MVM
el capital adecuado al riesgo -Risk Bearing Capital- es la diferencia entre
el activo y el pasivo valorados a precios de mercado
el capital necesario para afrontar el riesgo a soportar en el horizonte de un
ao es la prdida esperada -Tail VaR- del cambio en dicho capital durante
ese intervalo de tiempo
el riesgo en el ao actual es el asociado con las actividades que
comienzan en ese ao y
el riesgo de liquidacin -riesgo de reservas o run off risk- es el asociado a
la liquidacin de la cartera.
El MVM es el coste del valor actual de los futuros SCR que son necesarios
dotar durante el periodo en el que se va a llevar a cabo la liquidacin de la
cartera. Sea t = 0 el instante actual y t = 1 el comienzo del prximo ejercicio. Al
intervalo de tiempo entre ambos instantes se le designar como Ao 0 y as
sucesivamente. Grficamente:
Ao 0
t=0
Ao 1
t=1
Ao 2
t=2
tiempo
t=3
El SCR absorber prdidas durante el ao cero hasta un cierto nivel. Si

aqullas superasen ese nivel, la empresa pasara a ser insolvente. Se supone
que en t = 1 la empresa es absorbida por otra compaa, la cual deber ser
compensada por el capital adicional que deber dotar para llevar a cabo la
liquidacin. Es decir, de forma muy resumida, se puede decir que en t = 0,
cuando la empresa es solvente, el valor de los activos era igual al valor de
67
mercado de los pasivos -mejor estimacin + MVM- ms el SCR, mientras que

en t = 1, el valor de los activos era solamente igual al valor de los pasivos.
Para poder calcular el importe asociado a MVM es necesario realizar algunas
hiptesis:
1)
2)
3)
la empresa insolvente no sabe quin le comprar.

a efectos del SST, el SCR adicional que deber dotar la empresa
adquierente se calcula nica y exclusivamente en funcin de las partidas
de la empresa adquirida. Es decir, su clculo se realiza al margen del
necesario para evaluar el SCR de la cartera del adquirente.
el riesgo de los activos en t = 1 es el mismo que en t = 0.
5.2. Pasos para calcular el MVM

El proceso engloba tres pasos:
1)
determinacin del SCR necesario para los prximos aos. Para su clculo
slo se considera el riesgo asociado al proceso de liquidacin y no a las
nuevas actividades pues se supone que no se realizarn. Se puede hacer
por los siguientes caminos:
a) calcular la cifra precisa de cada ao usando las proyecciones de
activos y pasivos o
b) suponer que el riesgo de liquidacin es proporcional a la mejor
estimacin de las provisiones tcnicas y a partir de ah, calcular los
SCR asociados a los prximos aos.
2)
descuento de las futuras cifras de SCR usando la curva de tipos libres de

riesgo para as obtener su valor actual
3)
obtencin del coste, sin ms que multiplicar ese valor actual por el coste
del capital, que se fija en el 6%63. El resultado es el MVM.
5.3. Ejemplo de clculo del MVM

Sea una compaa cuyos datos en t = 0 son los siguientes:
mejor estimador de las provisiones tcnicas = 100
SCR = 100, que se divide en:

Riesgo de crdito y mercado = 50
Riesgo de operaciones del ao actual = 20
63
Es el coste que estim el FOPI para una compaa con un rating de BBB en la escala de Standard
& Poors.
68
Riesgo por liquidacin en un ao64 = 30

activos en forma de bonos del gobierno y acciones
las provisiones tcnicas se irn liquidando de forma que los saldos sern:
en t = 1, saldo de 100
para t 4, saldo de 0
Se supone que la compaa tiene una cartera estable, es decir, que los flujos
generados por nuevos negocios coinciden con los flujos de las actividades que
desaparecen. Si la empresa siguiera en funcionamiento, entonces SCR en t = 1
sera igual al SCR en t = 0. Como para el clculo del MVM no se consideran las
nuevas actividades, entonces SCR1 = 80. En t = 2 se supone que las acciones
han sido canjeadas por bonos del gobierno por lo que toda la cartera se ha
convertido en lo que se denomina cartera replicante ptima65. Grficamente:
F uturos SCR dotados por el comprador
30
20
50
Riesgo de liquidacin
Riesgo de actividades de este ao
Riesgo de mercado
30
50
15
t=0
Insolvencia de
la compaa
t=1
t=2
7,5
t=3
La compaa es comprada por otra

que debe dotar capital por ella
Para el clculo del MVM debe realizarse lo siguiente:
1)
Clculo de los SCR

Se supone que en el instante t = 1 la composicin de la cartera de activos
es la misma que en t = 0. Por tanto, SCR en t = 1 es igual a 80 (50 por el
64
Es aqul por el que se necesita el nivel de reservas al final del ejercicio debido a nuevas
informaciones, tales como desviaciones respecto a la experiencia sobre siniestros.
65
Es un concepto asociado al de casacin de flujos -cash flow matching-. Se entiende por cartera
replicante aqulla que reproduce los flujos de caja esperados de los pasivos bajo escenarios de
riesgo en los mercados financieros. Se compone de activos lquidos. Se entiende por cartera
replicante ptima aqulla que mejor reproduce tales flujos, es decir, que minimiza los riesgos de
mercado y de crdito. Por tanto, esta cartera inmuniza los flujos del pasivo contra cambios en los
riesgos subyacentes de mercado. Si una cartera replica perfectamente los flujos de caja de otra,
entonces el valor de mercado de los pasivos coincidir exactamente con el de la cartera replicante.
69
riesgo de mercado y 30 por el riesgo de liquidacin). Supondremos que

para t = 2 y t = 3 las cantidades asociadas al riesgo de liquidacin son
proporcionales al mejor estimador de las provisiones tcnicas en el
instante inicial, es decir, si en t = 0 el SCR por liquidacin es de 30 y las
provisiones tcnicas son 100, se supondr que la proporcin de 0,3 se
mantendr hasta el final.
Por tanto, la secuencia de SCR es:
Tiempo
Provisiones
tcnicas
100
50
25
0
1
2
3
>3
2)
80
15
7,5
0
Valor actual del SCR

Usando un tipo de inters libre de riesgo del 4%:
VA =
3)
SCR
80
15
7,5
+
+
= 97,5
1,04 1,04 2 1,043
Valor del MVM

Usando un coste del capital del 6% se obtiene la cifra buscada:
MVM = 0,06 VA = 5,8
70
CAPTULO 3
DISEO DE UN MODELO GENERAL
PARA EL CLCULO DEL SCR DEL PILAR I
1. PRIMERA APROXIMACIN: EL QIS166
Hasta ahora, se han expuesto los fundamentos y principios bsicos en los que
se asentar la futura norma europea de solvencia. La siguiente fase consiste
en conectar las ideas con la realidad, es decir, en la traduccin de estos
principios rectores en expresiones analticas que permitan una evaluacin
adecuada y eficiente del riesgo coherente con todos los objetivos que ha de
cumplir una entidad aseguradora. Esta tarea le fue encomendada al CEIOPS,
el cual tras un proceso de consultas tanto con los reguladores nacionales como
con empresas del sector, dise un esquema de medicin del riesgo que es el
que se va a exponer en este apartado. En esta primera aproximacin al
problema, el esquema propuesto es muy abierto y lo nica que se presenta son
las caractersticas que deberan tener los clculos para llevar a cabo la
evaluacin de las provisiones tcnicas, de acuerdo con los principios rectores
de Solvencia II. Es por ello que en esta fase no se plantea un modelo entendido
como un conjunto de expresiones analticas de general aplicacin y cuya
finalidad es la obtencin de un determinado resultado. Para llegar a este grado
de desarrollo habr que esperar a la segunda prueba realizada -QIS2-, la cual
se explicar ms adelante. QIS1 surge por el deseo de la Comisin Europea de
tener informacin sobre el sector para poder elaborar la futura Directiva sobre
normas de solvencia y supervisin. A tal fin, se solicit al CEIOPS que realizara
esta tarea. Los objetivos del QIS1 fueron dos:
1)
analizar el nivel de prudencia de las provisiones tcnicas realmente

constituidas para lo que se compar sus importes con los que resultaran
de aplicar diferentes niveles de confianza y
2)
tratar de averiguar la utilidad prctica de los clculos que se van a

realizar.
Obviamente, CEIOPS era consciente de que no todos los requisitos de

informacin que se solicitaban podan ser facilitados por todas las entidades.
Sin embargo, y a pesar de las posibles limitaciones, se invit a todas ellas a
participar en el estudio. En esta temprana fase ya se estableci que la
evaluacin de las provisiones tcnicas estara formada por dos elementos: el
mejor estimador y el margen de riesgo, los cuales se desarrollarn en epgrafes
posteriores.
66
CEIOPS (2005): EU Solvency II project -the first Quantitative Impact Study, CEIOPS-FS-12/05.
71
1.1. Aspectos tcnicos del QIS1

El objetivo final es buscar el valor adecuado de las provisiones tcnicas. Se
realiza a nivel de entidad individual. Para ello, el primer paso consiste en dividir
la cartera en segmentos homogneos de riesgo, los cuales se detallarn ms
adelante. Una vez definidos estos subgrupos, se trata de estimar los flujos
previstos asociados a las carteras as formadas hasta su desaparicin en el
tiempo. Con estos flujos previstos se estiman:
a)
el valor medio o mejor estimador de las provisiones tcnicas y
b)
los valores de las provisiones tcnicas asociados a los percentiles 75 y

9067.
A efectos de comparacin, se tendr en cuenta el valor que, con la normativa

vigente, tienen realmente las provisiones tcnicas.
Por lo que se refiere a la segmentacin, se debe distinguir entre:
a)
Negocio de no vida: la divisin propuesta es la que se recoge en el

artculo 63 de la Directiva 91/674/CEE68, de 19 de diciembre de 1991,
relativa a las cuentas anuales y a las cuentas consolidadas de las
empresas de seguros. No obstante, se autoriza a seguir otro esquema
siempre y cuando se explique las razones para ello.
b)
Negocio de vida: la cartera se divide en funcin de los riesgos

subyacentes, tales como:
- Mortalidad
- Enfermedad
- Suspensin
- Contratos con o sin reparto de beneficios
- Contratos con o sin valores garantizados
Adems de lo anterior, se pueden tener en cuenta elementos ajenos al negocio

asegurador, tales como los impuestos.
67
Para las actividades de no vida, tanto el mejor estimador como ambos percentiles se calculan tanto
a valor nominal como a valor descontado.
68
La divisin recogida en ese texto legal es la siguiente:
accidentes y enfermedad
automvil, responsabilidad civil
automvil, otros ramos
martimo, areo y transporte
incendio y otros daos a los bienes
responsabilidad civil
crdito y caucin
defensa jurdica
asistencia
varios.
72
1.1.1. El mejor estimador

Se trata de evaluar el valor ms probable que tendrn las provisiones tcnicas
par lo que es necesario estimar cul ser el valor presente de los flujos
asociados a todas y cada una de las plizas. Para alcanzar estos valores
esperados se supone que se utilizarn hiptesis actuariales realistas y basadas
en la experiencia. No obstante, tambin se deberan incorporar evoluciones
previsibles de ciertas variables. Para alcanzar el valor del mejor estimador
existen factores que son especficos de cada ramo y otros que son generales a
todos. Dentro de estos ltimos cabe sealar los siguientes:
Gastos: se debern considerar todos aqullos en los que se pudiera

incurrir en el futuro para poder hacer frente a los compromisos adquiridos
Inflacin: se debern considerar hiptesis adecuadas sobre este
fenmeno. Por ejemplo, para algunos flujos la inflacin relevante ser la
asociada al IPC, mientras que para otros puede ser la relativa a la
evolucin de los salarios
Impuestos: se debern considerar todos los pagos relativos a aspectos
fiscales necesarios para hacer frente a los compromisos adquiridos
Descuento de flujos: se usar el tipo libre de riesgo
Reaseguro: se supondr que las reaseguradoras no quiebran, por lo que
se podr hacer frente a los compromisos adquiridos an cuando exista un
desfase temporal entre el momento de la indemnizacin al beneficiario por
parte de la aseguradora y el momento de la recepcin de los fondos por
sta procedentes de la reaseguradora
Calidad crediticia propia: no se permiten reducciones en los compromisos
adquiridos por este motivo.
Por lo que se refiere a los aspectos privativos de cada ramo de actividad, es

necesario distinguir entre negocio de vida y el de no vida. Por lo que se refiere
al negocio de vida, se tendrn en cuenta los siguientes aspectos:
las hiptesis de mortalidad, longevidad y enfermedad se formularn para

distintos grupos de riesgo. En principio, se supone que esos riesgos son
independientes, pero si no fuera as, debern sealar las hiptesis y los
motivos para no considerarlos de esta forma
se deber tener en cuenta las opciones que los tomadores tengan para
cambiar las condiciones del contrato
de igual forma, se deber hacer el clculo suponiendo que los tomadores
podrn rescatar las plizas o transferirlas a otro asegurador siempre que
las situaciones financieras sean tales que encuentren ventajas en ello
para cada pliza se tomar el mayor valor entre el mejor estimador y el
valor actual del rescate
se tendrn en cuenta acciones tomadas por la direccin y que puedan
afectar a la proyeccin de flujos, tales como cambios en la colocacin de
activos o en la tasa de reparto de los beneficios
por lo que se refiere a las tasas futuras de reparto de beneficios, lo
razonable es suponer que se utilizarn las que se apliquen en el momento
de la simulacin. No obstante, un aspecto a considerar es el del nivel de
reservas dedicado a tal fin en el momento del clculo
73
en cuanto a los contratos del tipo unit-linked, se aplicar el mismo

esquema de proyeccin de flujos, debindose considerar todas las
posibles contingencias incorporadas en sus clusulas.
Por lo que se refiere al negocio no vida, se debern tener en cuenta los

las provisiones tcnicas que se incluyan en los clculos sern las

referidas a siniestros pendientes y las asociadas a primas -no cobradas y
riesgos no vencidos-. En principio, siempre que sea posible, se deberan
calcular por separado.
se debern usar al menos dos mtodos estadsticos, lo cual sugiere la
utilizacin de tringulos de run off y se deber suministrar informacin
sobre:
origen y tipo de datos usados
impacto de la inflacin sobre el coste total de los siniestros
impacto de los grandes siniestros sobre el coste total, haciendo
mencin expresa sobre su posible tratamiento separado
indicar cmo se han obtenido las estimaciones en el caso en el que
no se usen los mtodos estadsticos.
1.1.2. El margen de riesgo

Se entiende por margen de riesgo a la diferencia entre el valor obtenido para
un cierto nivel de confianza y el valor medio o mejor estimador. Para obtener el
margen de riesgo se debern realizar simulaciones de tipo estocstico de las
posibles sendas que puedan seguir los flujos previstos. Los mrgenes
requeridos son los asociados a los percentiles 75 y 90. En todos los casos, las
garantas y opciones incorporadas en los contratos se debern valorar a
precios de mercado.
2. PRIMERA APROXIMACIN ANALTICA GENERAL: QIS2
Tras el primer acercamiento al problema real de la cuantificacin de los
capitales necesarios para hacer frente a los riesgos asumidos, el siguiente
paso consisti en afinar an ms el clculo. Para ello, se plant explcitamente
un modelo de aplicacin general y el clculo se extendi a un determinado
conjunto de riesgos que van ms all de los aspectos tcnicos de los negocios
de vida y no vida. Por esta razn, el documento que desarrolla QIS269
incorporaba los siguientes bloques:
1)
2)
3)
4)
69
hiptesis de valoracin aplicables a activos y pasivos

nivel de capital mnimo exigido para garantizar la solvencia, calculado
mediante un modelo estndar
nivel de SCR calculado mediante un modelo propio
clculo del capital mnimo para garantizar la solvencia.
CEIOPS (2006): Quantitative Impact Study 2. Technical Specifications, CEIOPS-PI-08/06.
74
El CEIOPS enfatizaba en que se trataba de un ejercicio de aproximacin,

tentativo y recordaba que exiga un alto nivel de destreza para poder efectuarlo.
La elaboracin de los clculos necesarios para la simulacin se pudo realizar
de dos formas diferentes:
1.
basndose en un modelo ecuacional, lo que en el documento tcnico se

denomina factor-based approach y que aqu aparecer como enfoque
factorial
2.
basndose en la elaboracin de escenarios, lo que en el documento

tcnico se denomina scenario-based approach y que aqu aparecer
como enfoque basado en escenarios.
Para tratar de dar un carcter homogneo al ejercicio, dentro de estos dos

posibles enfoques, tuvo prioridad de clculo el que en el documento tcnico
venga denominado como placeholder -en este contexto se podra denominar
enfoque o modelo general y es el que se supone ms simple de calcular-.
2.1. Hiptesis de valoracin: enfoque estndar o general
Para poder realizar el ejercicio fue necesario fijar unas reglas de valoracin de
todas las partidas relevantes del balance, tanto en el activo, como en el pasivo,
fundamentalmente provisiones tcnicas y otros pasivos. El objetivo es la
valoracin de todo el conjunto, de forma que fuera posible obtener las cifras de
capital adecuadas a los riesgos asumidos en ambos lados. Grficamente, se
puede recoger de la siguiente forma:
75
Activos
Se valoran a su valor de mercado, teniendo presente la existencia de cualquier
diferencial entre el precio comprador y vendedor. En los casos en los que no
existiese un precio de mercado disponible, se poda utilizar cualquier otro
mecanismo siempre que sea consistente con cualquier informacin de mercado
relevante.
Provisiones tcnicas
Se abordaron los siguientes aspectos:
Criterios de valoracin
Clasificacin de riesgos por ramos
Aspectos especficos del negocio de vida
Aspectos especficos del negocio de no vida
Requisitos especiales
Criterios de valoracin
Tienen unos requisitos que se pueden resumir en dos:
a)
valores consistentes con los de mercado para aquellos riesgos cuya

cobertura est disponible en mercado -por ejemplo, para riesgo
financieros- y
b)
utilizacin, para cualquier otro tipo de riesgos -por ejemplo, algunos

riesgos actuariales- de un enfoque basado en la suma del mejor
estimador que se pueda obtener ms un margen de riesgo basado en el
percentil 75 de la distribucin70.
En cualquiera de los dos casos, las provisiones tcnicas se deben expresar

tanto en trminos brutos como netos de reaseguro.
En el segundo enfoque, se introducen dos conceptos sobre los que es
necesario detenerse en su explicacin: el denominado mejor estimador y el
percentil 75 de la distribucin.
El mejor estimador
Hace referencia a la obtencin del valor ms creble a partir de la informacin
disponible. Para su obtencin, es necesario tener en cuenta los siguientes
aspectos sobre los flujos de caja que se esperan generar:
a)
se debe usar el valor actual esperado de los flujos de caja futuros. En

principio, se debera basar en un estudio pliza a pliza pero se pueden
utilizar aproximaciones y mtodos actuariales adecuados.
70
Este planteamiento se modific en el QIS3.
76
b)
los flujos de caja esperados deben basarse en hiptesis que sean

realistas, las cuales deberan formularse de acuerdo con la experiencia
previa pero sin olvidar la informacin del sector o la del mercado en los
casos en los que la experiencia propia sea limitada o nula.
c)
las proyecciones de flujos de caja deberan recoger aspectos

demogrficos, legales, mdicos, tecnolgicos, sociales o econmicos. Por
ejemplo, una previsible tendencia en la esperanza de vida debera
recogerse en los clculos.
d)
los flujos de caja deberan descontarse al tipo libre de riesgo adecuado al

periodo de tiempo de generacin del flujo. Si ese tipo no estuviese
disponible, entonces se podra interpolar o extrapolar, segn el caso.
e)
las proyecciones de flujos de caja tambin deberan tener en cuenta

hiptesis sobre la inflacin, teniendo especial cuidado en identificar el tipo
de inflacin al que los flujos se vern sometidos -por ejemplo,
distinguiendo entre inflacin salarial o de precios de consumo-.
Por tanto, para llevar a cabo una valoracin correcta de activos y pasivos, es
necesario tener perfectamente identificados todos los posibles flujos de caja
que pueden aparecen para atender los compromisos con los asegurados. As:
todos aquellos gastos en los que sea necesario incurrir en el futuro

deberan estar provisionados.
todos los costes administrativos futuros, incluyendo la gestin de
inversiones, comisiones, gastos asociados a siniestros y gastos generales
se deben tener en cuenta.
tambin deberan considerarse todos los gastos asociados a depsitos y
primas.
todos aquellos flujos asociados a pagos de impuestos que no han sido
dotados previamente, tambin deberan ser tenidos en cuenta.
ocurre que a veces en el reaseguro existe una profunda diferencia entre el
tiempo que se tarda en recuperar y el tiempo que se tarda en pagar, lo
cual tiene su efecto en la tesorera. Sin embargo, cuando se calcule la
provisin neta de reaseguro se supondr que la reaseguradora no va a
quebrar.
no se harn reducciones de la cifra de compromisos por causas de
solvencia de la compaa.
Percentil 75
Se utiliza para evaluar un margen de riesgo lo suficientemente amplio como
para cubrir la contingencia en el caso de que no existan instrumentos de
cobertura. Ese margen se define como la diferencia entre el valor esperado y el
valor necesario para alcanzar un nivel dado de confianza que se debera
calcular usando tcnicas adecuadas de clculo actuarial, como por ejemplo,
simulacin estocstica de cambios en los flujos de caja.
77
Adems de los clculos referidos al estimador y al percentil, se debera estimar

el valor asociado a 0,5 veces la desviacin tpica de la distribucin de daos
para cada uno de los grupos de ramos que se indicarn ms adelante apartado de clasificacin-. Este clculo sera coherente con lo exigido en el
Framework for Consultation de la Comisin Europea.
Por otra parte, las garantas financieras y las opciones deben valorarse de
forma consistente con los datos de mercado. Las provisiones tcnicas
destinadas a cubrir ambos instrumentos se deben calcular usando tasas de
descuento neutrales al riesgo sobre los datos del balance.
Clasificacin de los riesgos por ramos

Los valores que se obtengan se recogern segn los grupos de ramos que
recoge el artculo 63 de la Directiva del Consejo sobre cuentas anuales y
cuentas consolidadas de compaas de seguro71, stos son:
Accidentes y enfermedad
Responsabilidad civil en autos
Otros ramos de autos
Martimo, areo y transporte
Incendio y otros daos a la propiedad
Responsabilidad civil en general
Crdito y caucin
Defensa jurdica
Asistencia
Varios de no vida
Reaseguro
Para el caso de vida, las agrupaciones a realizar son:
Contratos con clusulas de participacin en beneficios

Contratos en los que el asegurado soporta el riesgo de la inversin
Otros contratos sin clusula de participacin en beneficios -excepto
enfermedadReaseguro
Los contratos para seguros de enfermedad con caractersticas similares al

negocio de vida deberan clasificarse separadamente. Obviamente, los ramos
expresados no son mutuamente excluyentes, por lo que los contratos se
asignarn al ramo ms afn.
Adems de las cantidades calculadas para cada ramo, se calcular una cifra
para el total de vida, enfermedad y no vida. Esta cifra global puede incorporar
alguna deduccin debida a la diversificacin, basada en el uso de tcnicas
actuariales correctas.
71
Directiva del Consejo 91/674/CEE, de 19 de diciembre, relativa a las cuentas anuales y a las
cuentas consolidadas de las empresas de seguros.
78
Aspectos especficos del negocio de vida

Los factores relevantes de riesgo que se debern considerar son, al menos:
-
tasa de mortalidad
tasa de morbilidad
longevidad
tasa de suspensin -lapse ratetasas de cambio de condiciones contractuales -take-up option ratehiptesis sobre gastos
Las hiptesis sobre mortalidad, morbilidad y longevidad para distintos grupos

se deben hacer por separado. Si se asume correlacin entre los riesgos de
distintos grupos, se deben hacer constar, al igual que las hiptesis que se
hagan sobre la volatilidad de la mortalidad, morbilidad y longevidad.
Es importante tener en cuenta las posibilidades de que el tomador cambie las
condiciones del contrato, por eso, las proyecciones de flujos de caja deben
tener en cuenta la proporcin de asegurados que se espera realicen estas
modificaciones -take up options-, lo cual depender de las condiciones
financieras vigentes en el momento en que expire esa posibilidad. Tambin se
debe considerar el impacto del cambio en las condiciones no financieras. Por
ejemplo, se puede esperar que un deterioro de la salud de los asegurados
tenga un impacto en las tasas de cambio de las opciones sobre seguridad
garantizada -guaranteed insurability-.
Tambin se debe tener en cuenta la experiencia sobre discontinuidad en los
cobros de primas. Siempre que un rescate se pague en una de esas fases de
discontinuidad, el estimador debera considerar el pago que el asegurador
hara bajo el escenario que se est analizando.
Las acciones futuras de la direccin tambin deberan tenerse en cuenta. Las
hiptesis deberan reflejar las acciones que la direccin espera llevar a cabo en
las circunstancias de cada escenario, tales como cambios en la asignacin de
activos, cambios en los productos o en la poltica de bonus.
Las provisiones tcnicas deberan incluir cantidades en relacin con los
beneficios, como los pagos garantizados, recogidos en los estatutos o de
naturaleza discrecional. En concreto:
si los beneficios difieren de un grupo de plizas a otro, se debe tener en

cuenta a la hora de hacer hiptesis sobre tasas futuras de bonus y
se deberan tener en cuenta las restricciones emanadas de la normativa

legal o de las clusulas de reparto de beneficios en el articulado de las
plizas.
Para el caso de las cantidades en las que exista reparto de beneficios, se

deben diferenciar las siguientes cifras:
79
total de provisiones tcnicas
la cantidad de provisiones tcnicas relacionadas con beneficios

garantizados y estatutarios y
la cantidad de provisiones tcnicas relacionadas con beneficios de

naturaleza discrecional.
El mismo enfoque de proyecciones de flujos de caja debera utilizarse para los

unit-linked y similares. En este caso, se deben considerar todos los flujos de
caja que pueda generar el producto, incluidos los gastos, indemnizaciones por
muerte y otros flujos que pueda recibir el asegurado. Si el asegurador tiene el
derecho de aumentar las cargas las hiptesis que sustenten esta subida deben
ser consistentes con los principios generales de gestin.
Aspectos especficos del negocio de no vida

En este caso, las provisiones tcnicas incluirn:
-
provisiones para siniestros vivos y
provisiones para primas: provisin por primas no cobradas y por riesgos

en curso
La valoracin de la provisin para siniestros vivos y para primas se debe

realizar de forma separada.
Las compaas deberan usar mtodos estadsticos compatibles con la mejor
prctica actuarial y considerar todos los factores que pudiesen tener un impacto
en la experiencia futura esperada sobre siniestros. Generalmente esto supone
usar datos de siniestros tanto en el ao de ocurrencia como en el ao de
desarrollo -tringulos run off-.
Provisiones tcnicas: requisitos adicionales

Deben tenerse en cuenta los siguientes aspectos:
-
Descuento: en los negocios de no vida, se debera estimar el valor del

cambio en las provisiones tcnicas dotacin- utilizando una tasa de
descuento del 0%.
Rescates: se debera calcular el impacto a pagar si todas las plizas se

rescatasen de inmediato.
Otros pasivos
El resto de pasivos que no son las provisiones tcnicas deberan tratarse
conforme a las normas locales de valoracin.
80
2.2. Hiptesis de valoracin: enfoque del coste del capital

Tal y como se establece en el Amended Framework for Consultation72 de la
Comisin Europea, el margen de riesgo cubre el riesgo ligado a los
compromisos futuros de pago a lo largo de todo el horizonte de tiempo. Existen
dos posibles caminos para calcular esta cantidad. O bien como la diferencia
entre el percentil 75 de la distribucin asociada a la liquidacin de siniestros y
el mejor estimador posible, o bien como el coste por dotar el capital necesario
que sustente el negocio hasta la liquidacin. Por tanto, existen dos posibles
hiptesis de trabajo.
El enfoque del coste del capital de referencia

Para el CEIOPS una aplicacin prctica del enfoque del coste del capital es
llamado Test suizo de solvencia73 comentado en el captulo anterior, que se
basa en las siguientes hiptesis:
el capital exigido se obtiene a partir del modelo general fijado en la norma

y
el coste del capital antes de impuestos asume un coste de 600 puntos

bsicos por encima del tipo libre de riesgo.
A partir de estas hiptesis, el SST establece dos posibles formas de clculo:
una aproximacin simple en la que el capital exigido en el instante inicial

se aplica a todo el periodo de liquidacin -run-off period- asumiendo que
la relacin ente el capital exigido y las provisiones tcnicas permanece
constante a lo largo de todo el periodo.
una aproximacin ms compleja en la que el capital exigido se calcula en

cada periodo a partir de proyecciones de activos, pasivos y riesgos.
El enfoque del coste del capital alternativo

Se puede evaluar el coste del capital a partir de estimaciones basadas en
hiptesis propias. Un ejemplo de enfoque alternativo aparece en el Working
Document on Cost of Capital74, elaborado por el Comit Europeo de Seguros.
72
2515/06.
73
Swiss Federal Office of Private Insurance (2004): White Paper of the Swiss Solvency Test.
74
Comit Europen des Assurances (2006): CEA Document on Cost of Capital, Brussels, 21 de abril.
81
3. FRMULA ESTNDAR DEL SCR EN QIS2

sta es la pieza estrella del documento: se identifican los riesgos que afectan a
la actividad aseguradora y, a continuacin, se calculan la cantidad de capital
necesaria para cubrirlos. QIS2 hace una identificacin bsica y, acto seguido,
se recogen los subriesgos incluidos en cada mdulo bsico. Es decir, partiendo
de cada pieza bsica se va subiendo de nivel mediante agregacin de las
cantidades calculadas en el paso previo.
3.1. Clculo del SCR global
Esta magnitud se puede descomponer en seis mdulos:
1)
2)
3)
4)
5)
6)
SCRNV
= SCR para seguros no vida
SCRMDO= SCR para cubrir el riesgo de mercado
SCRCRED = SCR para cubrir el riesgo de crdito
SCROP
= SCR para cubrir el riesgo operativo
SCRV
= SCR para seguros de vida
SCRE
= SCR para seguros de enfermedad
El esquema del SCR global junto con la composicin de cada mdulo que se
recoge en el QIS2, aparece en el siguiente esquema:
Fuente: QIS2. Technical Specifications
Con el fin de llevar a cabo este clculo es necesario realizar un conjunto de

estimaciones para las que se utiliza una probabilidad del 99,5%, es decir, se
supone que se produce una quiebra cada 200 aos-.
Para obtener la cifra del SCR global se necesita la siguiente informacin:
1)
2)
3)
SCRB
= SCR bsico
RDB
= reduccin por distribucin de beneficios
BP_NV = beneficios o prdidas esperadas en los prximos aos en el
negocio de no vida
82

De tal forma que SCR ser igual a: SCR = SCRB - RDB - BP_NV
Veamos a continuacin cada uno de ellos por separado.
Clculo del SCR

Su expresin general es:
SCR1 = SCR SCR
siendo SCR el vector columna de cantidades de capital asociadas a cada

riesgo y la matriz de correlaciones entre ellos. Esta matriz deber ser
rellenada de acuerdo a las hiptesis que utilice cada empresa, si bien lo
esperable debera ser una matriz como la siguiente:
SCRMDO
SCRCR
SCRV
SCRE
SCRNV
SCROP
SCRMDO SCRCR SCRV SCRE SCRNV SCROP

1
MA
MB
MB
MB
M
MA
1
MB
MB
M
MB
MB
MB
1
MB
B
MB
MB
MB
MB
1
B
MB
MB
M
B
B
1
M
M
MB
MB
MB
M
1
siendo B correlacin baja, MB correlacin medio baja, M correlacin media y

MA correlacin medio alta.
Otras posibilidades son:
si se supone independencia entre riesgos, entonces:

2
2
2
2
SCR 2 = SCR MDO
+ SCRCR
+ SCRV2 + SCR E2 + SCR NV
+ SCROP
si se supone que no existen efectos debidos a la diversificacin, entonces:

SCR3 = SCRMDO + SCRCR + SCRV + SCRE + SCRNV + SCROP
Reduccin por distribucin de beneficios -RDBPara calcular esta cifra se necesita la siguiente informacin:
PTB = valor de las provisiones tcnicas referidas a futuros beneficios
discrecionales
k
= porcentaje de PTB usado para cubrir prdidas futuras. Sera la
proporcin que mide el riesgo absorbido por esa provisin
Por tanto:
RDB = k PTB
k [0;1]
El valor de k depende de varios elementos tales como:
la normativa legal o estatutaria que impide el uso de futuros beneficios

discrecionales para absorber prdidas
el tipo de gestin acordada en circunstancias adversas
83
la expectativa de reparto de futuros beneficios
Beneficios o prdidas esperadas en los prximos aos en el negocio de no vida BP_NVPara calcular esta cifra se necesita la siguiente informacin:
PR
= primas netas estimadas para el prximo ao en cada uno de los

grupos de ramos. Se calcula como:
PR = max 1,05 PR ,0 ; PR
siendo PR la estimacin realizada por la empresa. Es decir, se exige

que crezcan al menos en un 5%.
PR,y = primas netas estimadas en cada grupo de ramos en el y-simo ao en

donde y = 0,-1,..,-4
RCR,y = ratio combinada neto en cada grupo de ramos en el y-simo ao en donde
y = 0,-1,..,-4. La ratio combinada se calcula como el cociente de la
suma de gastos y siniestros incurridos sobre primas devengadas75,
todo ello medido a fin de ao.
PSP = provisin neta para siniestros pendientes para el total de no vida
PSPR = provisin neta para siniestros pendientes en cada uno de los grupos de
ramo.
A su vez, BP_NV se obtiene como la suma de dos componentes:
BP_NVP = resultado -beneficio o prdida- esperado procedente de las primas

del ao prximo
BP_NVRS = resultado -dficit o supervit- esperado resultante de la liquidacin run-off- del prximo ao.
Por tanto: BP_NV = BP_NVP + BP_NVRS
BP_NVP
Se calcula como:
75
BP _ NVP = (100 ) P
Las primas devengadas deben utilizarse netas de ajustes previos al ejercicio. Los gastos debern
ser aqullos atribuibles a las primas devengadas y diferentes de los gastos asociados a siniestros y
los siniestros incurridos debern excluir el resultado de los pagos, es decir, deberan ser el total de
los gastos imputados al ao y asociados a los siniestros pagados durante ese ao ms las
provisiones fijadas al final del ao. La ratio combinada tambin se puede calcular como la suma de
la ratio de gastos -gastos diferentes a los siniestros sobre primas suscritas- ms la ratio de
siniestros -siniestros sobre primas suscritas-.
84
siendo el valor esperado de la ratio combinado para el conjunto de ramos y P

la suma de las primas netas para todos los ramos, es decir,:
P = PR
se obtiene como =
R PR
R
siendo R la ratio combinada para cada grupo de ramos, que se calcula como
la media ponderada por primas de los ratios combinados histricos, es decir:
R, y
R =
RCR , y
R,y
A efectos del clculo, el sumatorio debera tener (al menos) tres sumandos y no
ms de cinco. Si no se llegase a los tres, se tomara como valor el 100%.
BP_NVRS
Se obtiene como:
BP _ NVR = PSP
siendo el valor esperado del resultado relativo de los pagos para el ao
prximo para el conjunto de ramos.
Al igual que antes con , se calcula como:
PSPR
PSP
siendo R el valor esperado del resultado relativo de los pagos para el prximo
ao en cada una de los grupos de ramos. R se obtiene como:
R =
MRR
PSPR
siendo la proporcin de la provisin por siniestros pendientes de cada grupo

de ramos que se espera pagar el prximo ao. se puede aproximar como:
1
D
85
en donde D es la duracin media de la provisin por siniestros pendientes. No

obstante, la empresa puede hacer una estimacin mejor si le es posible.
Sustituyendo cada elemento por su valor, se obtiene la siguiente expresin
para BP_NV:
PR , y RCR , y
PR
R
y PR , y
P +
BP _ NV = 100
R

PR
R
1 MRR
PSPR
R DR PSPR
+
PSPR
R
PSPR
R
3.2. SCR asociado al riesgo de mercado -SCRMDOEl riesgo de mercado es debido a los cambios en los precios de los
instrumentos financieros. La exposicin a este riesgo se mide por el impacto de
los cambios en variables tales como precio de las acciones, tipos de inters,
precios de los inmuebles o tipos de cambio. Para calcular SCRMDO hace falta la
siguiente informacin:
1)
2)
3)
4)
MDOint = capital asociado al riesgo de tipo de inters

MDORV = capital asociado al riesgo de cambio en la renta variable
MDOprop = capital asociado al riesgo de cambio en el precio de los
inmuebles
MDOfx = capital asociado al riesgo de tipos de cambio
El clculo de SCRMDO se obtiene a partir de la siguiente expresin:

SCR MDO = MDO MDO
siendo MDO el vector de subriesgos individuales y la matriz de correlaciones

entre esos riesgos. QIS2 utiliza la siguiente matriz:
int
RV
prop
fx
int
1
0,75
0,75
0,25
RV
prop
fx
1
1
0,25
1
0,25
86
Las hiptesis utilizadas en QIS2 para esa matriz se tomaron del Financial
Assessment Framework76 holands, segn el cual, la correlacin para un
intervalo de 12 meses entre riesgo de tipos de inters y riesgo de activos con
renta variable -acciones e inmuebles- era de 0,877, que el QIS2 redonde a
0,75. Los holandeses supusieron que la correlacin entre acciones e inmuebles
era de 1.
A continuacin se expone cada uno de los subriesgos por separado.
3.2.1. El riesgo de tipos de inters -MDOintAfecta a todos los activos y pasivos cuyo valor es sensible a cambios en los
tipos de inters o en la volatilidad de los mismos. Afecta, por tanto, a
instrumentos de renta fija, compromisos de los aseguradores, prstamos a
largo plazo y derivados sobre tipos de inters.
Para calcular MDOint se necesita la siguiente informacin:
VAN = Valor neto de activos menos pasivos

PT = Total de provisiones tcnicas no asignadas a plizas en las que
los tomadores soportan el riesgo de inversin
VMif = Valor de mercado de los instrumentos financieros sensibles a los
tipos de inters no asignados a plizas en las que los tomadores soportan
el riesgo de inters
Dif = duracin generalizada de las partidas de activo y pasivo que son
sensibles a los tipos de inters.
DPT = duracin generalizada de las provisiones tcnicas
r(t) = tipo de inters vigente para un vencimiento t. Por tanto, d(t) = (1 +
r)-t es su factor de descuento correspondiente
Para la estimacin del riesgo, existen dos enfoques, uno factorial y otro basado
en la utilizacin de escenarios:
a)
Enfoque factorial: segn el cual el riesgo asociado al tipo de inters se

obtiene como:
sub
PT D PT r , s sub ;
0;VM if D if r , s
MDOint1 = max
;VM if D if r , s baj PT D PT r , s baj
siendo la expresin de D obtenida mediante una aproximacin de primer

orden:
1
D=
t FCt d (t ) s(t ) r (t )
VM t
76
Pensioenverzekerinskamer (2004): Financial Assessment Framework. Consultation Document.
77
Para un nivel de confianza del 99,5% y usando la tcnica del rolling-window.
87
en donde FCt recoge los flujos de caja asociado al instante t-simo. En

este caso, se calculan los cambios en precio suponiendo unas ciertas
subidas y bajadas en los tipos de inters aplicando la siguiente tabla:
% subida
% bajada
1-3
75
40
vencimiento -en aos3-6

6 - 12
12 - 18
50
40
35
35
30
25
> 18
30
20
de forma que:
5
Dc (r , s ) rb sb Dbmod
b =1
VMb
VM
siendo rb el tipo medio del intervalo b-simo, sb el porcentaje de cambio

de los tipos, Dbmod la duracin modificada del intervalo b-simo y MVb el
valor de mercado de los flujos de este intervalo.
En QIS2 se utiliz un enfoque basado en dos escenarios en los que se
modifica la estructura temporal de tipos de inters. Los factores de cambio
se calcularon usando las siguientes fuentes:
1.
2.
datos mensuales desde 1972 de rendimientos de ttulos cupn cero

del Gobierno alemn con vencimientos entre uno y diez aos Fuente: Bundesbank- y
datos diarios desde 1997 en adelante de tipos swap cupn cero en
moneda nica para vencimientos de hasta 30 aos -Fuente:
Datastream-.
Se us un modelo log-normal porque los datos observados demostraban

que mayores tipos de inters iban asociados con mayores cambios en
valor absoluto en los tipos78. Se calcularon las desviaciones tpicas
anualizadas para diferentes plazos obtenindose mayores desviaciones
tpicas en los plazos cortos que en los largos. El mismo resultado se
obtuvo para divisas no incluidas en el euro tales como la corona danesa,
corona sueco y libra esterlina.
b)
Enfoque de escenarios:
Segn este esquema, el riesgo es igual a:
MDOint 2 = max{0; VANsub ; VANbaj }
siendo VAN la modificacin en el valor neto como consecuencia de
valorar todos los activos sensibles a los tipos con la estructura modificada
78
Se dice que X sigue una ley lognormal si su logaritmo neperiano sigue una distribucin normal, de
parmetros y , es decir:
ln X = + Y / Y N (0,1)
X = e + Y = A e Y
A = e y X [0, )
88
de tipos, la cual se obtiene multiplicando la curva real de tipos por 1 + ssub

o por 1 + sbaj.
El valor a elegir como medida de este riesgo en el modelo general fue el
asociado a MDOint2
3.2.2. Riesgo de cambio en la renta variable -MDORVEs debido a cambios en los precios o en la volatilidad del precio de las
acciones. Afecta tanto a activos como a pasivos.
Para calcular MDORV se necesita la siguiente informacin:
VAN = valor neto de activos menos pasivos
RV = valor de mercado de la renta variable
RVlink = valor de mercado de las posiciones en las que el tomador soporta
el riesgo.
Para la estimacin del riesgo, existen dos enfoques:
a)
Enfoque factorial:
basado en el valor de la posicin neta:
MDORV 1 = (RV )bajada (RVlink )bajada
Es decir, se estima la prdida de valor que se tendra si se produjese una
cada del 40% en el precio de todas y cada una de las acciones.
b)
Enfoque de escenarios:
MDORV 2 = (VAN )shock
Es decir, se estima el impacto inmediato de una cada del 40% en los

ttulos de referencia -por ejemplo, el ndice Eurostoxx- teniendo en cuenta
todas las exposiciones tanto directas como indirectas de la compaa al
precio de las acciones.
El valor a elegir como medida de este riesgo es el asociado a MDORV1
En ambos enfoques, y por simplicidad, el riesgo se estima a partir de un nico
shock. Sin embargo, la magnitud del shock elegido en QIS2 fue considerado
como problemtico en algunos casos. El shock se calibr a partir de datos
trimestrales del MSCI Developed Market Index correspondientes a
rendimientos totales en el periodo 1970-2005. Se utilizaron 23 ndices y el peso
de cada pas se obtuvo a partir de su capitalizacin de mercado. Los
rendimientos totales se estimaron suponiendo que los dividendos se reinvierten
en el ndice en la fecha en la que el ttulo cotiza sin dividendo.
En un primer momento, se supuso que los rendimientos totales seguan una
normal. Sin embargo, los datos revelaron asimetra negativa y una gruesa cola
negativa.
89
Para tratar de paliar este problema existen diversas soluciones:
teora del valor extremo: la distribucin de la cola converge a una

distribucin lmite
mtodos de estimacin log-lineales: la cola en la distribucin de
probabilidad histrica se proyecta usando regresin lineal para los peores
resultados histricos
distribucin de Gumbel
ajustar una distribucin de Pareto Generalizada -GPD- a la cola usando o
bien estimadores mximo-verosmiles o bien modelos de regresin.
La media geomtrica y la desviacin tpica de los datos son, respectivamente

10,1% y 16,9%. Suponiendo normalidad en los rendimientos, la cada
correspondiente a un nivel de confianza del 99,5% es del 33,4%. Sin embargo,
tras la correccin por las colas, a ese nivel de confianza la cada es del 35%. El
resultado equivalente para TVaR al 99% fue del 37,5%.
Haciendo esto mismo con series que cubren todo el siglo XX se obtiene una
media geomtrica del 11,2% y una desviacin tpica del 16,5%. Suponiendo
normalidad el shock es del 31,2% y tras las correcciones en las colas se llega
hasta el 35%.
3.2.3. Riesgo asociado a cambios en el valor de los inmuebles -MDOpropEs el asociado a cambios en los precios de mercado o en la volatilidad de los
precios de las propiedades. No se distingue entre distintos tipos de
propiedades.
Para calcular MDOprop se necesita la siguiente informacin:

prop = valor de mercado de las posiciones no asignadas a plizas en las
que el tomador soporte el riesgo de la inversin
MDOprop1 = 0,2 prop
a)
Enfoque factorial:
b)
Enfoque basado en escenarios: MDOprop 2 = (VAN )shock

en donde se evala la modificacin de valor que experimenta la empresa
suponiendo una cada inmediata de un 20% en los precios teniendo en
cuenta todas las exposiciones tanto directas como indirectas de la
compaa al precio de los inmuebles.
El valor a elegir como medida de este riesgo en el enfoque general es el

asociado a MDOprop1.
90
En el QIS2 se evalu el impacto de una cada en los precios del 20%. Por
simplicidad, no se hizo distincin entre inversin directa o indirecta ni entre los
distintos tipos de inversin.
Tambin por simplicidad se supuso que los rendimientos seguan una
distribucin normal. No se estim un modelo ms complejo por la escasez de
datos, lo cual impide un tratamiento correcto de las colas. El factor de stress se
estim a partir de los siguientes ndices de varios pases -Fuente: Investment
Property Databank-:
Holanda -1977-2005Francia -1998-2005Alemania -1996-2005Suecia -1997-2005Reino Unido -1971-2005-.
Estos ndices recogen rendimientos totales en forma anual -capital + rentaobtenidos en la inversin directa. Los rendimientos totales se basan en
valoraciones de tasadores ms que en precios de mercado que permite una
suavizacin en el tiempo. Dada la disponibilidad de orgenes en el tiempo de
las series, las covarianzas se calcularon con el conjunto comn de los datos.
3.2.4. Riesgo asociado a los tipos de cambio -MDOfxEs el debido a cambios en el nivel o en la volatilidad de los tipos de cambio.
Para estimar este riesgo se necesitan los siguientes datos:

fx
= valor de mercado de la posicin neta en divisas. Se considera
posicin en divisa la diferencia entre las provisiones tcnicas para
compromisos en una cierta divisa y los activos en esa divisa.
a)
Enfoque factorial: MDOfx1 = 0,25 Fx
b)
Enfoque basado en escenarios:
MDOfx 2 = (VAN )shock
Se calcula la modificacin de valor ante un cambio de un 25% -subida o

bajada segn si la posicin es larga -bajada- o si es corta -subida-.
El valor a elegir como medida de este riesgo en el modelo general es el
asociado a MDOfx1.
En este caso, en QIS2 se prob el impacto que tendra un cambio de un 25%
en los tipos de cambio contra la divisa base del asegurador, tanto al alza como
a la baja, optndose por el de peor resultado.
91
La calibracin del factor de stress se basa en la realizada por Holanda y que se

recoge en su FTK. En l se consideraron los tipos de cambio de siete divisas
contra el euro, las cuales reflejan las posiciones en divisas de las instituciones
financieras holandesas. Las divisas y los pesos son79:
USD
35%
GBP
24%
ARS
13%
JPY
8%
SEK
7%
CHF
7%
AUD
6%
Los datos son tipos de cambio mensuales para el periodo 1958-2006 -Fuente:
Datastream-, usando un euro sinttico para el periodo anterior a 1999. Por
simplicidad, se supuso que las modificaciones en los tipos de cambio se
distribuan segn una lsey normal. Las desviaciones tpicas anualizadas de
cada tipo de cambio contra el euro y los shocks con una probabilidad del 99,5%
dieron los siguientes resultados:
al 99,5%
USD
9%
22%
GBP
7%
18%
ARS
37%
95%
JPY
9%
23%
SEK
6%
15%
CHF
6%
14%
AUD
11%
28%
Cesta
7%
17%(*)
(*) Se eleva hasta el 20% si se excluyen los aos de vigencia de Bretton-Woods -hasta
1973-
CEIOPS reconoce que el nivel de shock implcito depende de la cesta elegida,

por lo que se realizaron anlisis de sensibilidad modificando el peso de las tres
monedas con ms ponderacin -USD, GBP y ARS- manteniendo el peso de las
otras, obtenindose los siguientes resultados:
Peso
99,5%
sin
cambios
7%
17%
USD
max
min
50%
0%
7%
8%
17%
20%
GBP
max
min
50%
0%
6%
8%
15%
21%
ARS
max
min
20%
0%
9%
5%
23%
12%
Las mismas simulaciones se hicieron tomando como divisa base la GBP,

obtenindose los siguientes resultados:
Peso
99,5%
79
sin
cambios
8%
21%
USD
max
min
50%
0%
8%
10%
20%
25%
EUR
max
min
50%
0%
7%
9%
19%
24%
ARS
max
min
20%
0%
10%
7%
25%
17%
Cada una de ellas se representa por su cdigo internacional ISO 4217. Por orden en la tabla, las
divisas recogidas fueron el dlar estadounidense, la libra esterlina, el peso argentino, el yen
japons, la corona sueca, el franco suizo y el dlar australiano.
92
En este caso, el euro tom el peso que tena la libra esterlina manteniendo el
del resto. Para estas simulaciones el shock mximo se alcanza cuando el USD
es 0% y el ARS es 20%, alcanzando en ambos casos el 25%. Como los shocks
oscilan entre 12% y 25%, QIS2 tom este ltimo valor.
3.3. SCR asociado al riesgo de crdito -SCRCREs el capital asociado a cubrir la probabilidad de impago y el cambio en la
calidad crediticia de los emisores de ttulos, contrapartidas -incluidas las
reaseguradoras- y cualquier otro intermediario con el que la empresa tenga
alguna posicin abierta. La exposicin ante terceros debera tener en cuenta la
existencia de elementos reductores del riesgo, como por ejemplo, las garantas.
Para estimar este riesgo, se necesita la siguiente informacin:
ratingi = Calificacin del riesgo asignado por una agencia externa a la

contapartida i-sima
Di
= Duracin efectiva de la contrapartida i-sima. Ser al menos de
un ao y como mximo de cinco. Para el caso de exposicin
ante reaseguradoras, la duracin se estima como la duracin
corregida de los pagos previstos al cedente bajo las clusulas
del contrato de reaseguro
VMi = Valor de mercado de la exposicin i-sima. En el caso de las
reaseguradoras el valor de mercado de la exposicin ser el
valor de los pagos previstos al cedente bajo las clusulas del
contrato de reaseguro.
Para estimar este riesgo se puede utilizar un enfoque basado en ratings de la

siguiente forma:
SCRCR = g (rating i ) Di VM i
i
siendo g una funcin que pondera el riesgo. Por ejemplo, para los ratings
elaborados por Standard & Poors sera:
rating
Tramo
AAA
I - Extremadamente fuerte
AA
II - Muy fuerte
A
III - Fuerte
BBB
IV - Adecuado
BB
V - Especulativo
B
VI - Muy especulativo
CCC o menos VII - Extremadamente especulativo
Sin calificar
VIII - Sin calificar
g
0,008%
0,056%
0,66%
1,312%
2,032%
4,446%
6,95%
1,6%
Se debe tener en cuenta la exposicin neta al reaseguro, que se tratar de la

siguiente forma:
93
si el reaseguro tiene rating, se le aplicar la g correspondiente a ese

rating
si no tiene rating, pero est sujeto a las exigencias de la Directiva sobre
Reaseguro80, se le asignar la g de BBB
para el resto de casos, se le aplica la g de B
3.4. SCR asociado al riesgo tcnico de plizas de vida -SCRVEs el capital asociado a cubrir los riesgos correspondientes a las contingencias
cubiertas por esos contratos y a los procesos seguidos en la gestin del
negocio. Los riesgos se pueden dividir en dos bloques:
a)
riesgos biomtricos -riesgo de mortalidad, longevidad, morbilidad y

discapacidad-
b)
otros, en concreto: riesgo de prdida de cartera por suspensin -lapse

risk- y de gastos.
La informacin necesaria para la evaluacin de este riesgo es la siguiente:

1)
2)
3)
4)
5)
6)
Vmort = capital asociado al riesgo de mortalidad

Vlong = capital asociado al riesgo de longevidad
Vmorb = capital asociado al riesgo de morbilidad -enfermedadVdisc = capital asociado al riesgo de discapacidad
Vlap = capital asociado al riesgo de prdida de cartera
Vg = capital asociado al riesgo de gastos
Para evaluar esta cantidad es necesario calcular la siguiente expresin:

SCRV =
V V
siendo V el vector de capitales asociados a cada uno de estos riesgos y la

matriz de correlaciones entre estos riesgos. Se toma la siguiente matriz:
Vmort
Vlong
Vmorb
Vdisc
Vlap
Vg
Vmort
1
0
0,5
0,25
0
0,5
Vlong
Vmorb
Vdisc
Vlap
Vg
1
0
0
0,5
0,5
1
1
0
0,5
1
0
0,5
1
0,5
3.4.1. Riesgo de mortalidad -VmortSe divide en los siguientes componentes:

Riesgo de la volatilidad de los componentes del riesgo
Riesgo de incertidumbre:
Riesgo de acumulacin
80
Directiva 2005/68/CE del Parlamento Europeo y del Consejo, de 16 de noviembre de 2005 sobre
el reaseguro.
94
Riesgo de tendencia
Riesgo de parmetros
Riesgo de catstrofe
La informacin necesaria para evaluar este riesgo es la siguiente:
CER
qx
N
PTmort
PTi
Ii
= suma de capitales en riesgo en cartera

= probabilidad media de muerte que se puede aproximar como el
cociente entre los siniestros pagados ms los gastos
relacionados con ellos en el ejercicio econmico ms cercano y
el total del capital en riesgo de la cartera
= nmero de contratos
= suma de provisiones tcnicas
= provisin tcnica asociada a la pliza i-simna
= indemnizacin por muerte para la pliza i-sima.
a)
Enfoque factorial:
La cifra de riesgo se obtiene como la suma de tres componentes:

Vmort 1 = Vmort ,vol 1 + Vmort , inc1 + Vmort ,CAT
siendo:
Vmort,vol1 = capital asociado al riesgo de volatilidad por este enfoque
Vmort,inc1 = capital asociado al riesgo de incertidumbre por este enfoque
Vmort,CAT = capital asociado al riesgo de catstrofe
Vmort,vol1 se define como:
Vmort , vol 1 = 2,58 mort CER
Es decir, 2,5881 veces el valor de la desviacin tpica de la distribucin de

pagos en caso de fallecimiento. Este planteamiento se utiliza en los riesgos de
longevidad, morbilidad e incapacidad dentro del riesgo tcnico de vida. mort es
la desviacin tpica de la distribucin de daos por el riesgo de mortalidad y se
estima como82:
mort =
q x (1 q x )
N
81
2,58 es el valor en la N(0,1) asociado a una probabilidad del 99,5% / P( 2,58) = 0,995.
82
Se obtiene partiendo de una distribucin del tipo B(1,p), en donde las probabilidades de muerte qx- y supervivencia a una cierta edad x -px- se asocian a los valores 0 y 1 -valores de la
indemnizacin a recibir segn el caso- de la forma:
0 con probabilidad p x
xi =
1 con probabilidad q x
Por tanto, la indemnizacin esperada y la varianza sern:
E (x i ) = q x
var(x i ) = q x (1 q x )
95
Vmort,inc1 se define como:
Vmort , inc1 = 0,002 PTmort
Vmort,CAT se define como:

Vmort , CAT =
0,003 max{PT ; I }
i
b)

V mort
= V mort
, vol 2
+ V mort
, inc 2
+ V mort
, CAT
siendo:
Vmort,vol2 = capital asociado al riesgo de volatilidad por este enfoque
Vmort,inc2 = capital asociado al riesgo de incertidumbre por este enfoque
Vmort,CAT = capital asociado al riesgo de catstrofe -igual que en el enfoque
anterior-
Vmort,vol2 se define como:
Vmort , vol 2 = (VAN )shock

i
En donde i representa a cada pliza con derecho a indemnizacin por muerte.

VAN es el cambio neto en el valor de los activos menos pasivos y shock
recoge el aumento en un 10% en las tasas de mortalidad para cada edad
durante el siguiente ejercicio econmico.
Vmort,inc2 se define como:
Vmort , inc 2 = (VAN )shockt

i
Sea Ci el capital que se paga en caso de fallecimiento y se supone que, para una misma edad, todos
los capitales son iguales, es decir:
Ci =
CER
N
Por tanto, considerando los capitales, la desviacin tpica individual ser:
(x i ) =
CER
N
q x (1 q x )
y la del conjunto -suponiendo independencia entre todos los contratos- ser:
( X ) = (x1 + L + x n ) = 2 (x1 ) + L + 2 (x N ) =
= CER
CER 2
N2
N q x (1 q x ) =
q x (1 q x )
N
96
En donde shockt recoge un aumento permanente del 20% en las tasas de

mortalidad para cada edad.
El resultado a elegir para el modelo general es el obtenido mediante el enfoque
factorial. Su valor, sustituyendo cada elemento por su expresin, es:
Vmort = 2,58
q x (1 q x )
CER + 0,002PTmort + 0,003 max{PTi , I i }
N
i
3.4.2. Riesgo de longevidad -VlongEs el originado por una reduccin en la tasa de mortalidad. Se divide en los
siguientes componentes:

Riesgo de tendencia
Riesgo de parmetros
Para evaluar este riesgo se necesita la siguiente informacin:
PTPMI = total de provisiones tcnicas, netas de cualquier indemnizacin,

pagaderas por muerte inmediata
qx
= probabilidad media de fallecimiento. En este caso se puede
estimar como la ratio entre la liberacin real de reservas
destinadas a contratos afectados por el riesgo de longevidad
durante el ltimo ejercicio econmico y el total de provisiones
tcnicas para esos contratos
N
PTlong = suma de provisiones tcnicas por este concepto.
a)
Enfoque factorial:
Vlong 1 = Vlong , vol 1 + Vlong , inc1
Siendo:
Vlong,vol1 = capital asociado al riesgo de volatilidad por este enfoque
Vlong,inc = capital asociado al riesgo de incertidumbre por este enfoque
Vlong,vol1 se define como:

Vmort ,vol 1 = 2,58 long PTPMI
en donde long es la desviacin tpica de la distribucin de daos por el
riesgo de mortalidad y se estima como:
97
q x (1 q x )
N
long =
Vlong,inc1 se define como:
Vlong ,inc 1 = 0 ,005 PT long

b)

La cifra de riesgo se obtiene como la suma de dos componentes:
Vlong 2 = Vlong , vol 2 + Vlong , inc 2
siendo:
Vlong,vol2 = capital asociado al riesgo de volatilidad por este enfoque
Vlong,inc2 = capital asociado al riesgo de incertidumbre por este enfoque.
Vlong,vol2 se define como:

Vlong , vol 2 =
(VAN )
shock
En donde i representa a cada pliza en las que el pago de

indemnizaciones se asocia a la supervivencia. VAN es el cambio neto en
el valor de los activos menos pasivos y shock recoge el descenso en un
10% en las tasas de mortalidad para cada edad durante el siguiente
ejercicio econmico.
Vlong,inc2 se define como:

Vlong , inc 2 =
(VAN )
shockt
en donde shockt recoge un descenso permanente del 20% en las tasas de

mortalidad para cada edad.
El resultado a elegir para el modelo general es el obtenido mediante el
enfoque factorial. Su valor, sustituyendo cada elemento por su expresin
es:
q x (1 q x )
Vlong = 2,58
PTPMI + 0,005PTlong
N
3.4.3. Riesgo de morbilidad -VmorbSe divide en los siguientes componentes:

- Riesgo de acumulacin
98
- Riesgo de tendencia
- Riesgo de parmetros
Riesgo de catstrofe
Para evaluar este riesgo hace falta disponer de la siguiente informacin:
CER
ix
N
PTmorb
IUi
IFi
= suma de capitales en riesgo en cartera por este riesgo

= probabilidad media de morbilidad
= suma neta de provisiones tcnicas
= para cada pliza, indemnizaciones pagadas de una sola vez. Si
no es el caso, entonces vale cero
= para cada pliza, indemnizaciones pagadas anualmente
distintas de las anteriores. Si no es el caso, entonces vale cero
a)
Enfoque factorial:
Vmorb1 = Vmorb ,vol 1 + Vmorb , inc1 + Vmorb ,CAT
siendo:
Vmorb,vol1 = capital asociado al riesgo de volatilidad por este enfoque
Vmorb,inc1 = capital asociado al riesgo de incertidumbre por este enfoque
Vmorb,CAT = capital asociado al riesgo de catstrofe
Vmorb,vol1 se define como:

Vmorb ,vol 1 = 2,58 morb CER
en donde morb es la desviacin tpica de la distribucin de daos por el
morb =
i x (1 i x )
N
Vmorb,inc1 se define como:

Vmorb , inc1 = 0,002 PTmorb
Vmorb,CAT se define como:

Vmorb , CAT = (0,001 IU i + 0,005IFi )
i
b)

99
Vmorb 2 = Vmorb , vol 2 + Vmorb , inc 2 + Vmorb , CAT
siendo:
Vmorb,vol2 = capital asociado al riesgo de volatilidad por este enfoque
Vmorb,inc2 = capital asociado al riesgo de incertidumbre por este enfoque
Vmorb,CAT = capital asociado al riesgo de catstrofe -igual que en el enfoque
anterior-.
Vmorb,vol2 se define como:

Vmorb , vol 2 =
(VAN )
shock
en donde i representa a cada pliza con derecho a indemnizacin por

este concepto, VAN es el cambio neto en el valor de los activos menos
pasivos y shock recoge el aumento en un 10% en las tasas de morbilidad
para cada edad durante el siguiente ejercicio econmico.
Vmorb,inc2 se define como:

Vmorb , inc 2 = (VAN )shockt
i
en donde shockt recoge un aumento permanente del 25% en las tasas de

morbilidad para cada edad.
factorial. Su valor, sustituyendo cada elemento por su expresin es:
Vmorb = 2,58
i x (1 i x )
CER + 0,002PTmorb + (0,001 IU i + 0,002 IFi )
N
i
3.4.4. Riesgo de discapacidad -VdiscSe divide en los siguientes componentes:

Riesgo de acumulacin
Riesgo de tendencia
RIesgo de parmetros
Riesgo de catstrofe
Para evaluar el capital asociado a este riesgo hace falta la siguiente

informacin:
CER
ix
N
= suma de capitales en riesgo en cartera por este riesgo

= probabilidad media de discapacidad
100
PTdisc
IUi
IFi
= suma neta de provisiones tcnicas

= para cada pliza, indemnizaciones pagadas de una sola vez. Si
no es el caso, entonces vale cero
= para cada pliza, indemnizaciones pagadas anualmente
distintas de las anteriores. Si no es el caso, entonces vale cero.
a)
Enfoque factorial:
Vdisc1 = Vdisc , vol 1 + Vdisc , inc1 + Vdisc , CAT
siendo:
Vdisc,vol1
Vdisc,inc1
Vdisc,CAT
= capital asociado al riesgo de volatilidad por este enfoque

= capital asociado al riesgo de incertidumbre por este enfoque
= capital asociado al riesgo de catstrofe
Vdisc,vol1 se define como:

Vdisc , vol 1 = 2,58 disc CER
En donde disc es la desviacin tpica de la distribucin de daos por el
i (1 i x )
disc = x
N
Vdisc,inc1 se define como:
Vdisc , inc1 = 0,002 PTdisc
Vdisc,CAT se define como:

Vdisc ,CAT = (0,001 IU i + 0,005IFi )
i
b)

Vdisc 2 = Vdisc , vol 2 + Vdisc , inc 2 + Vdisc , CAT
siendo:
Vdisc,vol2
Vdisc,inc2
Vdisc,CAT
= capital asociado al riesgo de volatilidad por este enfoque

= capital asociado al riesgo de incertidumbre por este enfoque
= capital asociado al riesgo de catstrofe -igual que en el
enfoque anterior-
Vdisc,vol2 se define como:
Vdisc ,vol 2 = (VAN )shock

i
101
en donde i representa a cada pliza con derecho a indemnizacin por

este concepto, VAN es el cambio neto en el valor de los activos menos
pasivos y shock recoge el aumento en un 10% en las tasas de
discapacidad para cada edad durante el siguiente ejercicio econmico.
Vdisc,inc2 se define como:
Vdisc , inc 2 = (VAN )shockt

i
en donde shockt recoge un aumento permanente del 25% en las tasas de

discapacidad para cada edad.
factorial. Su valor, sustituyendo cada elemento por su expresin es:
Vdisc = 2,58
i x (1 i x )
CER + 0,002PTdisc + (0,001 IU i + 0,005 IFi )
N
i
3.4.5. Riesgo de prdida de cartera -VlapEs el referido a un cambio no previsto, tanto al alza como a la baja, en la tasa
de plizas que dejan de pagar sus primas unilateralmente, finalizaciones,
cambio en la proporcin de plizas liberadas y en rescates. Es decir, todo
aqullo relacionado con el cese de recepcin de cobros procedentes de las
plizas.
Para evaluar este riesgo se requiere la siguiente informacin:
PT = provisiones tcnicas
RAA = total de reclamaciones contra asegurados y agentes.
a)
Enfoque factorial:
Vlap1 = 0,005 PT + 0,1 RAA
b)

Vlap 2 = (VAN )shock
i
en donde shock recoge el resultado ms adverso de entre un aumento o

una reduccin del 50% en la proporcin de plizas que, de forma
imprevista, dejan de pagar primas unilateralmente.
102

factorial.
3.4.6. Riesgo de gastos -VgEs el asociado a cambios en los gastos relacionados con los contratos de
seguros.
Para evaluar este riesgo se requiere conocer el volumen gastos fijos anuales
de la compaa, que se representa por Gf
a)
Enfoque factorial:
Vg 1 = 0,1 Gf
b)
Vg 2 = (VAN )shock
i
en donde shock recoge el resultado de una situacin en la que los gastos

superan a la mejor estimacin en ms de un 10% y la inflacin
relacionada con ellos supera a la tasa prevista en ms de un 1,5%.
factorial.
3.5. SCR asociado al riesgo de enfermedad -SCRESe divide en tres componentes:
Riesgo de gastos
Riesgo de prdida, mortalidad o cancelaciones excesivas
Riesgo de acumulacin o epidemia
Eg
Exs
Eac
Reg
Rexs
= capital asociado al riesgo derivado de los gastos de enfermedad

= capital asociado al riesgo de tener prdidas, mortalidad o
cancelaciones excesivas
= capital asociado al riesgo derivado de acumulacin o epidemia
= resultado esperado en el riesgo de gasto en salud
= resultado esperado en el riesgo de prdida, mortalidad o
cancelaciones excesivas
103
El capital requerido para cubrir este riesgo se calcula de la siguiente forma:
0; (E + R )2 + (E + R )2 + (E + R ) (E + R )
g
eg
xs
xs
g
eg
xs
xs
SCRE = max
+ E ac (Reg + Rexs )
De donde se deduce que la correlacin entre (Eg + Reg) y (Exs + Rxs) es 0,5.
3.5.1. Riesgo de gastos -EgSe origina cuando los gastos contemplados al tarificar un contrato son
insuficientes para cubrir los costes reales dentro del ejercicio. Para poder
comparar entre distintos ejercicios los resultados se suele expresar como un
porcentaje de las primas brutas cobradas en un cierto ao.
Para poder evaluar este riesgo se necesita la siguiente informacin:
eg
Pe
eg
= desviacin tpica de los gastos en los ltimos 10 aos

= primas brutas devengadas en el ejercicio
= valor medio de los gastos en los ltimos tres aos.
El clculo a realizar es:
E g = (2,58 eg Pe ) Reg
Reg = eg Pe
E g = (2,58 eg eg ) Pe
3.5.2. Riesgo por prdida / mortalidad / cancelacin excesivas -ExsOcurre si se da alguna de las siguientes circunstancias:
el valor de los daos per cpita es superior a los gastos previstos al

realizar la tarificacin -prdida excesiva-.
los fondos reales procedentes de las provisiones por aumento de la edad
destinados a muerte son inferiores a los previstos al tarificar -mortalidad
excesiva-.
los fondos reales procedentes de las provisiones por aumentos en la edad
disponibles para cancelaciones son inferiores a los previstos al hacer la
tarificacin -cancelacin excesiva-.
Para evaluar este riesgo se requiere la siguiente informacin:
exs = desviacin tpica de los resultados de Exs en los ltimos 10 aos

Pe = primas brutas devengadas en el ejercicio
exsg = valor medio de los gastos por este riesgo en los ltimos tres aos
104
E xs = (2,58 exs Pe ) R exs
R eg = exsg Pe
E xs = (2,58 exs exsg ) Pe
3.5.3. Riesgo de epidemia o acumulacin -EacSe necesita la siguiente informacin:
S = Gasto en siniestros durante este ao

Pe = Primas brutas devengadas en el ejercicio
PMe = Primas brutas devengadas este ao en el mercado del seguro de
salud
El clculo es:
E ac = S 0,01
Pe
PM e
3.6. SCR asociado al riesgo tcnico en no vida -SCRNVEl riesgo tcnico es el tpico en los contratos de seguro. Este riesgo se basa en
aspectos tcnicos del negocio asegurador: la aseguradora deber garantizar el
pago futuro de sus compromisos y el importe de tales pagos debe calcularse
con anticipacin.
El riesgo tcnico en no vida se divide en tres componentes:
Riesgo de primas
Riesgo de reservas
Riesgo de catstrofes
La informacin necesaria para evaluar este riesgo es la siguiente:
NVRES = capital asociado al riesgo de reservas

NVP
= capital asociado al riesgo de primas
NVCAT = capital asociado al riesgo de catstrofes

SCR NV = NV NV
siendo NV el vector de capitales asociados a cada uno de estos riesgos y la

matriz de correlaciones entre estos riesgos. Se toma la siguiente matriz:
NVRES
NVP
NVCAT
NVRES
1
0,5
0
NVP
0,5
1
0
NVCAT
0
0
1
105
3.6.1. Riesgo de primas -NVPEst relacionado con los siniestros que ocurrirn durante y despus del
intervalo de aos para los que se analiza la solvencia. Este riesgo est
presente en el momento de emitir la prima y antes de que ocurra cualquier
siniestro. El riesgo est en que los gastos asociados a los siniestros sean
superiores a las primas recibidas.
RCR,y
PR,y
PR
PR,br
= ratio combinada neta de cada grupo de ramos en el ao actual y

en aos anteriores -mximo de 15 aos= primas netas devengadas en cada grupo de ramos en el ao
actual y en aos anteriores -mximo de 15 aos= estimacin de primas netas devengadas en cada grupo de
ramos para el ao prximo
= estimacin de primas brutas devengadas en cada grupo de ramos
para el ao prximo
Existen dos enfoques para evaluar este riesgo
a)
Enfoque factorial:
NVP 1 = ( M ) P
siendo:
- P = estimador de la prima neta para el total del negocio para el prximo

ejercicio
P = PR
R
- M =estimador de la desviacin tpica del ratio combinado para el

conjunto del mercado. Se calcula como:
1
M =
P P M R M R
P2
siendo la matriz de correlacin entre primas por grupos de ramos y
MR el vector del estimador para todo el mercado del ratio
combinado para cada grupo de ramos.
se define como83:
83
La identidad de cada uno de los grupos de ramos es la siguiente:

1. accidentes y enfermedad
2. responsabilidad civil en autos
3. otros ramos de autos
4. martimo, areo y transporte
5. incendio y otros daos a la propiedad
6. responsabilidad civil en general
106
1
2
3
4
5
6
7
8
9
10
11
1
1
0,25
0
0
0
0,25
0
0,5
0
0
0
2
0,25
1
0,5
0
0
0
0
0,25
0
0
0
3
0
0,5
1
0,5
0,5
0
0
0
0,5
0
0,5
4
0
0
0,5
1
0,25
0
0
0
0,5
0
0,5
5
0
0
0,5
0,25
1
0
0
0
0,5
0
0,5
6
0,25
0
0
0
0
1
0,75
0,5
0
0
0,5
7
0
0
0
0
0
0,75
1
0,75
0
0
0
8
0,5
0,25
0
0
0
0,5
0,75
1
0
0
0
9
0
0
0,5
0,5
0,5
0
0
0
1
0
0
10
0
0
0
0
0
0
0
0
0
1
0
11
0
0
0,5
0,5
0,5
0,5
0
0
0
0
1
A su vez, MR se obtiene como el producto entre el factor de tamao y el

factor de volatilidad especfica para cada grupo de ramos, es decir:
M R = sfR fR
en donde sfR se define como:
1
10
sfR =
PR , br
10
20
si PR , br 100
si 100 > PR , br 70
resto
en donde PR,br se mide en millones de euros y el factor de volatilidad

empleado para cada grupo de ramos es:
1
2
3
4
5
6
7
8
R
fR 0,05 0,125 0,075 0,15 0,10 0,25 0,10 0,15
9
0,10
10
11
0,15 0,15
()= funcin de la desviacin tpica. La usada es la siguiente:
(x ) =
))
0,99 N0,99 log x 2 + 1

0,01
siendo la funcin de distribucin acumulada de la N(0,1) y N0,99 el

percentil 99 de la N(0,1).
7.
8.
9.
10.
11.
crdito y caucin
defensa jurdica
asistencia
varios de no vida
reaseguro.
107
b)
Enfoque factorial personalizado
NVP 2 = ( u ) P
P es igual que antes y u es el estimador especfico de la desviacin tpica
de la ratio combinada para todos los grupos de ramos para una empresa
determinada. La expresin de su estimador es:
1
u =
P P u R uR
P2 R
siendo u R el estimador especfico para la empresa de la ratio combinada
en cada grupo de ramos. La expresin de u R es:
2
2
u R = cR RC
, R + (1 c R ) M , R
es decir, es la raz cuadrada de la combinacin lineal de la desviacin

tpica de la ratio combinada de cada grupo de ramos con la desviacin
tpica de la ratio combinada del total del mercado para ese grupo de
ramos. El factor de ponderacin usada, cR, se le denomina factor de
credibilidad y se expresa como:
c R = 0,2 max{0, J R 10}

siendo JR es nmero de ratios combinadas histricas para cada grupo de
ramos -se toma un mximo de 15-.
A su vez, RC,R se obtiene como:
RC , R =
P (RC
1
(J R 1) PR
R,y
R )
R,y
en donde R es el valor esperado de la ratio combinada especfica para

esa compaa en un grupo de ramos y se obtiene como una media de
ratios combinadas, ponderadas por primas, es decir:
R,y
R =
RCR , y
R,y
El clculo buscado es NVP1, excepto para las reaseguradoras que debern

utilizar el NVP2.
3.6.2. Riesgo de reservas -NVRESTiene dos posibles causas:
108
1)
2)
Bien porque el nivel de las provisiones tcnicas est mal estimado

Bien porque an estando bien, por la naturaleza aleatoria de los pagos
por futuros siniestros, los valores que se registren en el futuro fluctuarn
en torno a la media.
Para estimar este riesgo se necesita la siguiente informacin:
PSV
= provisin neta para siniestros vivos para el conjunto de negocios
PSVR = provisin neta para cada grupo de ramos
PSVR,br = provisin bruta para siniestros vivos en cada grupo de ramos.

NV RES = ( ) PSV
siendo el estimador para todo el mercado de la desviacin tpica del resultado
de las liquidaciones previstas para el prximo ao. Su expresin analtica es:
1
PSV PSV R R
PSV 2
siendo la matriz de correlaciones entre las reservas de los riesgos y toma los
siguientes valores:
1
2
3
4
5
6
7
8
9
10
11
1
1
0,25
0
0
0
0,25
0
0,5
0
0
0
2
0,25
1
0,5
0
0
0
0
0,25
0
0
0
3
0
0,5
1
0,5
0,5
0
0
0
0,5
0
0,5
4
0
0
0,5
1
0,25
0
0
0
0,5
0
0,5
5
0
0
0,5
0,25
1
0
0
0
0,5
0
0,5
6
0,25
0
0
0
0
1
0,75
0,5
0
0
0,5
7
0
0
0
0
0
0,75
1
0,75
0
0
0
8
0,5
0,25
0
0
0
0,5
0,75
1
0
0
0
9
0
0
0,5
0,5
0,5
0
0
0
1
0
0
10
0
0
0
0
0
0
0
0
0
1
0
11
0
0
0,5
0,5
0,5
0,5
0
0
0
0
1
R es un vector con las desviaciones tpicas para cada grupo de ramos y se

calcula como:
R = sf R fR
siendo sfR el factor de tamao, definido como:
109
10
sfR =
PSVR , br
10
20
si PSVR , br 100
si 100 > PSVR , br 70
resto
en donde PSVR,br se expresa en millones de euros y fR es el factor de volatilidad

de cada grupo de ramos y sus valores son:
1
2
3
4
5
6
7
8
9
10
11
R
fR 0,15 0,15 0,075 0,15 0,10 0,20 0,10 0,10 0,20 0,20 0,20
3.6.3. Riesgo de catstrofe -NVCATSurge por la ocurrencia de siniestros extremos cuyo impacto es tal que no son
adecuadamente capturados por el modelo factorial ni en el riesgo de reservas
ni en el de primas. A efectos de esta simulacin se supone que al menos un
siniestro de esta clase lo define el regulador nacional.
La informacin necesaria para evaluar este riesgo es:
= total de primas brutas suscritas en los grupos de ramos

afectados por riesgos de esta naturaleza
f
= factor de retencin en el programa de reaseguro de la compaa
X1 y X2 = lmites inferior y superior en el programa de reaseguro de la
compaa
Pu
Este riesgo se puede calcular de alguna de las siguientes formas:
a)
Mediante un enfoque de prdidas de mercado:

NVCAT 1 = max{f CM PM X 2 ;0} + min{f CM PM ; X 1 }
siendo PM las prdidas totales del mercado y CM la cuota de mercado,
medida en primas y calculada como:
P
CM = u
PM
en donde PM recoge el total de primas brutas suscritas por todo el
mercado en los grupos de ramos afectados por este riesgo.
b)
Modelo basado en escenarios:
NVCAT 2 = (VAN )catstrofe
110
3.7. SCR asociado al riesgo operacional -SCROPEs el capital asociado a las prdidas que pueden surgir por errores en los
procesos internos, personal o por otro suceso externo. El modelo que se
presenta pone en relacin el nivel de capital con el nivel de actividad expresado
por el volumen de primas y el total de provisiones tcnicas.
La informacin que se necesita para evaluar este capital es la siguiente:
PTV
PTNV
PTE
PV
PNV
PE
= total de provisiones tcnicas del seguro de vida -brutas de

reaseguro= total de provisiones tcnicas del seguro de no vida -brutas de
reaseguro= total de provisiones tcnicas del seguro de enfermedad -brutas de
reaseguro= total de primas devengadas en seguros de vida -brutas de
reaseguro= total de primas devengadas en seguros de no vida -brutas de
reaseguro= total de primas devengadas en seguros de enfermedad -brutas de
reaseguro-
OP = max{0,06 PV + 0,03 PNV + 0,03 PE ;0,006 PTV + 0,03 PTNV + 0,003 PTE }
3.8. SCR: modelos internos como alternativa a la frmula estndar
En la medida de lo posible, las empresas pueden elaborar modelos para
evaluar el riesgo de cada uno de los mdulos presentados anteriormente.
Sin embargo, el CEIOPS reconoce la dificultad de desagregar los riesgos hasta
el nivel que se ha hecho en el modelo estndar, sobre todo si las empresas
tienen una clasificacin del riesgo distinta de la utilizada en esta simulacin.
Tambin se aceptarn modelos internos con alcance parcial, especialmente en
reas tales como riesgo de inters y de cambio, en el valor de los activos en
donde las metodologas como el VaR son ms familiares.
A su vez, el CEIOPS reconoce que los criterios de valoracin de las diferentes
partidas del balance pueden diferir de los que se han utilizado para desarrollar
el modelo estndar.
4. REQUISITOS MNIMOS DE CAPITAL -MCRDado que no existe un criterio definido sobre la forma de calcular el importe
asociado al MCR, el QIS2 propuso dos mecanismos de cmputo del mismo: el
primero de ellos, se basa en lo que hay hasta ahora dentro del esquema de
111
Solvencia I, mientras que el segundo replica ciertos clculos de los utilizados

para obtener el valor de SCR.
4.1. MCR transitorio basado en Solvencia I
Se distinguir segn se trate de seguros de vida o de no vida.
Seguros de vida
La informacin necesaria es la siguiente:
CPT1
= provisiones matemticas actuales para seguros de vida no

vinculados
CPT2 = provisiones matemticas actuales para todos los seguros de
vida con vnculo
CPTV1 = provisiones matemticas actuales para seguros de vida con
vnculo siempre que la aseguradora soporte el riesgo de
inversin
CPTV2 = provisiones matemticas actuales para seguros de vida con
vnculo siempre que la aseguradora no soporte el riesgo de
inversin pero la cantidad para cubrir los gastos de gestin sea
fija para un periodo superior a los 5 aos
CCR1 = capital en riesgo actual para seguros no vinculados distintos de
los seguros temporales de muerte con vencimiento mximo de
5 aos
CCR2 = capital en riesgo actual para seguros temporales de muerte con
vencimiento mximo de 3 aos
CCR3 = capital en riesgo actual para seguros temporales de muerte con
vencimiento entre 3 y 5 aos
CCRV = capital en riesgo actual en seguros vinculados siempre que la
aseguradora cubra el riesgo de muerte
CCRsup = capital en riesgo exigido en Solvencia I para seguros
complementarios
CRE
= capital en riesgo exigido en Solvencia I para seguros
permanentes de salud no sujetos a cancelacin
GV3
= gastos administrativos del ejercicio anterior asociados a seguros
vinculados, siempre que la aseguradora no soporte el riesgo de
inversin y la cantidad para cubrir los gastos de gestin no est
fijada para un periodo superior a los 5 aos.
Adems de estos datos, se requiere la siguiente informacin obtenida

aplicando los criterios de valoracin del CEIOPS -apartado 2 de este captulo-:
PT1
PTV
PTE
PTred
Vton
= provisiones tcnicas para seguros de vida no vinculados

= provisiones tcnicas para seguros de vida vinculados
= provisiones tcnicas para seguros permanentes de enfermedad
= provisiones tcnicas para operaciones de devolucin de
capitales
= valor de mercado de las operaciones tontinas
Con toda esta informacin, el clculo a realizar es:
112
0,04PT1 + 0,003CR1 + 0,001CR 2 + 0,0015CR3 + CRsup

1
MCRTV = + 0,04PTE + CRE + 0,04PTred + 0,01Vton + 0,04PTV 1 +
2
+ 0,01PTV 2 + 0,25GV 3 + 0,003CRV
siendo:
CPT 1 PT1
CR 1 = CCR 1 1 +
CCR
CCR
CCR
+
+
1
2
3
CPT1 PT1
CR2 = CCR2 1 +
CCR1 + CCR2 + CCR3
CPT1 PT1
CR3 = CCR3 1 +
CCR1 + CCR2 + CCR3
PTV CPTV
PTV 1 = CPTL1 1 +
CPTV
PT V CPT V
PTV 2 = CPT L 2 1 +
CPT V
CRV = CCRV + CPTV PTV

Sustituyendo y operando se obtiene que:
0,04(PT1 + PTE + PTred ) + (CRCsup + CRCE ) + 0,01Vton +
CPT1 PT1
+ 0,0011 + CCR + CCR + CCR (3CCR1 + CCR 2 + 1,5CCR3 ) +

1
1
2
3
MCRTV =
2
PTV CPTV
(4CPTV 1 + CPTV 2 ) + 0,25GV 3 +
0,011 +
CPTV
+ 0,003(CCR + CPT PT )
V
V
V
Seguros de no vida
La cifra se calcula igual que por Solvencia I -CRCNV- y se multiplica por 1/2:
MCRTNV =
1
CRC NV
2
4.2. Clculo de MCR tras la transicin
MCR se divide en cinco componentes: los seis que se han utilizado para
obtener SCR excepto el riesgo operativo. Su clculo se puede obtener de tres
formas:
113
1)
Expresin general:
MCR1 = MCR MCR
siendo MCR el vector capitales mnimos exigidos para cada riesgo y la

matriz de correlaciones entre riesgos. La matriz utilizada es:
MCRMDO
MCRCR
MCRV
MCRE
MCRNV
MCRMDO MCRCR MCRV MCRE MCRNV

1
0,75
0,25
0,25
0,25
0,75
1
0,25
0,25
0,5
0,25
0,25
1
0
0
0,25
0,25
0
1
0
0,25
0,5
0
0
1
Esta es la forma deseable de clculo.
2)
Suponiendo independencia entre los riesgos:

2
2
2
MCR 2 = MCR MDO
+ MCRCR
+ MCRV2 + MCR E2 + MCR NV
3)
Suponiendo que no existen efectos diversificadores:

MCR 3 = MCR MDO + MCR CR + MCR V + MCR E + MCR NV
Clculo de cada uno de los componentes de MCR

1)
MCRMDO
La expresin general es:
MCR MDO = MCR MDO MCR MDO
siendo MCRMDO el vector de MCR para cada uno de los subriesgos y la
matriz de correlaciones entre ellos. La matriz utiliza es la siguiente:
int
RV
prop
fx
int
1
0,75
0,75
0,25
RV
0,75
1
1
0,25
prop
0,75
1
1
0,25
fx
0,25
0,25
0,25
1
En cuanto a los capitales asociados a cada uno subriesgos, su valor es:
a)
Riesgo de tipos de inters:

Se obtiene usando el enfoque factorial utilizado para obtener SCR
pero los cambios en los tipos son los que aparecen en la siguiente
tabla:
114
% subida
% bajada
vencimiento -en aos3-6

6 - 12
12 - 18
25
20
15
20
15
10
1-3
30
25
> 18
15
10
y la duracin generalizada se obtiene como:

Dc (r , s ) rb s b Dcmod
2)
Riesgo de valor de los activos:
c)
Riesgo de valor de los inmuebles: MCRprop = 0,5 MDOprop1
d)
Riesgo de tipos de cambio: MCRfx = 0,5 MDOfx1
MDOCR
MCR CR =
3)
MCRRV = 0,5 MDORV 1
b)
1
SCR CR 1
2
MCRV
a)
Riesgo biomtrico:
MCR V bio = 0 ,5 SCR V bio 1

entendiendo por riesgo biomtrico la suma de los asociados a
mortalidad, longevidad, morbilidad y discapacidad.
b)
Riesgo de suspensin:
MCR V lap = 0,5 SCR V lap 1

c)
Riesgo de gastos:
MCRV g = 0,5 SCRV g1
4)
MCRE
MCR E = 0,5 SCR E

5)
MCRNV
El clculo sigue las mismas pautas que en el caso de SCR excepto en los
115
para cada uno de los grupos de ramos PR debera calcularse de la

misma forma en que se determin durante el ejercicio anterior
en las subpartidas de primas y reservas la funcin -x- se modifica y
se usa la siguiente:
(x ) =
))
1 N 0,9 log x 2 + 1
0,1
en el apartado de catstrofes, la mxima prdida es consistente con

el resultado de un Tail VaR al 90%.
5. COMENTARIOS AL MODELO USADO EN QIS2 Y SUGERENCIAS PARA

SU INCORPORACIN EN QIS3
5.1. Comentarios generales sobre la elaboracin del QIS2
Una vez realizado el ejercicio, algunos de los miembros participantes realizaron
observaciones sobre diversos aspectos referidos a la metodologa empleada
para construir los diversos mdulos de riesgo y para su posterior agregacin.
Tales comentarios se pueden englobar en tres grandes bloques:
a)
Los relativos al enfoque modular empleado

QIS2 utiliza una aproximacin del tipo Bottom-Up, es decir, partiendo de
la medicin del capital para cada uno de los riesgos seleccionados Bottom- se procedi a calcular el total general -Up-. Se escogi este
esquema porque as el CEIOPS puede evaluar diferentes maneras de
modelar un mismo riesgo. Por ejemplo, los supervisores pueden
determinar el efecto sobre la cifra total de SCR de pasar de usar un
enfoque factorial a otro basado en escenarios. Sin embargo, algunos
miembros del CEIOPS no estaban de acuerdo en utilizar el enfoque
modular para el clculo del SCR correspondiente a las actividades del
seguro de vida por las siguientes razones:
1) QIS2 ha conducido a resultados dispersos y poco fiables y
2) no tiene suficientemente en cuenta las interacciones entre activos y
pasivos
Estos miembros discrepantes sugieren el uso de un enfoque basado en
escenarios. De acuerdo a este esquema, el SCR en los seguros de vida
se obtendra mediante un proceso en dos fases.
1) En la primera, se evaluara el SCR asociado al ALM de cada
asegurador. El proceso comienza con el valor inicial de los activos
asociados a las provisiones tcnicas de los seguros de vida y con la
correspondiente diferencia entre el valor de los activos y de los
pasivos. Se desarrollan entonces cuatro escenarios para evaluar el
116
impacto de los cambios simultneos en las hiptesis biomtricas,

tasas de abandono -lapse rate-, gastos, valor de los activos y
diferenciales de crdito. El capital asociado al riesgo por ALM es el
debido al que tenga un mayor impacto.
2) La segunda evala el capital debido a riesgos de impago,
concentracin, catstrofe y operaciones, no cubiertas en el paso
anterior.
El SCR total sera la suma de los capitales obtenidos en cada uno de los
pasos anteriores.
b)
Mtodo de clculo dentro de la frmula estndar

De acuerdo con la respuesta a la CfA 10, QIS2 prob distintos enfoques
para un mismo riesgo. Uno de los enfoques al que se denomin
placeholder, est basado en un mtodo relativamente simple y robusto. El
resultado que se obtenga con el mtodo alternativo informa a los
supervisores del probable error que se cometa al sacrificar una mejor
aproximacin a la sensibilidad al riesgo por la simplicidad.
Sin embargo, una leccin que se puede extraer del QIS2 es que el
concepto de simplicidad es bastante relativo. En muchos casos, la
simplicidad de un enfoque depende de las caractersticas del producto en
cada mercado. Por ello, una posibilidad sera poner ms nfasis en el uso
de escenarios, los cuales tienen la ventaja de que los cambios pueden ser
graduados. Sin embargo, tiene el problema de que precisan una
verificacin objetiva de sus resultados. Otra posibilidad sera la de
desarrollar un modelo propio si el modelo general no refleja
adecuadamente las caractersticas de la actividad de cada compaa.
Pero uno de los resultados del QIS2 es que la gran mayora de las
compaas -y no slo las grandes- estaran en esa situacin, por lo que
parecera una medida extremadamente cara la de tener que desarrollar
un modelo propio. Se trata de que el modelo general sea til a la mayora
de aseguradores. Otros miembros del CEIOPS plantean la posibilidad de
permitir el uso de mtodos de clculo predefinidos. Como en QIS2, una
estructura modular puede permitir el intercambio de mtodos dentro de la
frmula estndar mientras se elabora un modelo global para determinar el
SCR. Sin embargo, la introduccin de esta flexibilidad suscita cuestiones
relativas a la armonizacin por lo que esta postura es rechazada por la
mayora del CEIOPS ya que:
la experiencia del QIS2 sugiere que no es posible asegurar la

comparacin entre los resultados de distintos mtodos de clculo
disponer de varios mtodos fomentara la seleccin de mtodos a

conveniencia -cherry picking-
la existencia de distintos mtodos supone multiplicar las distintas

posibilidades y entorpecer la labor supervisora
117
Por ello, en el diseo final de la frmula estndar, el CEIOPS deber

seleccionar un mtodo que sea posible aplicar en cada mdulo de riesgo.
c)
Mecanismo de agregacin de los resultados de cada mdulo

El hecho de dividir la frmula estndar en mdulos lleva a preguntarse
sobre cmo los resultados de esos mdulos se combinaran para obtener
la cifra final. El CEIOPS es consciente de la necesidad de anlisis
posteriores para determinar si la relacin se puede plasmar simplemente
mediante correlaciones lineales. Puede que este instrumento no sea todo
lo exacto que se desea pero es una solucin prctica.
Para efectuar el QIS2, el CEIOPS impuso un enfoque a dos pasos:
1)
en el primero se utiliza una matriz de correlaciones lineales entre

riesgos que pertenezcan a un mismo mdulo. Por ejemplo, dentro
del riesgo de mercado estaran los correspondientes al riesgo de
tipos de inters, renta variable, divisas e inmuebles.
2)
en el segundo, se utiliza una matriz de correlaciones entre mdulos

obtenindose as finalmente la cifra de SCR.
Este enfoque, prctico y fcil de poner en prctica, tiene un inconveniente

pues los resultados seran correctos si los riesgos presentasen
distribuciones normales multivariantes. Si no es as, los resultados seran
inferiores a los que deberan ser en los casos de distribuciones muy
asimtricas o en riesgos cuya relacin de dependencia no sea lineal.
5.2. Cambios previstos en la estructura de la prueba
Tras estas sugerencias, se postulan cambios en la organizacin de la prueba.
Se pueden agrupar en dos bloques. En primer lugar, se produce una
reorganizacin de los mdulos de riesgo a analizar. En concreto, los cambios
son los siguientes:
el mdulo de riesgo de crdito se divide en:

Riesgo de impago de la contrapartida -SCRdef-, que se pasa a tratar
como un mdulo independiente
Riesgo de diferencial -MDOsp-, que se incorpora al mdulo de riesgo
de mercado
se reconoce una nueva categora de riesgo: el de concentracin MDOconc-, que se incluye dentro del mdulo correspondiente al riesgo de
mercado
los riesgos de prima y reservas asociados a no vida se combinan en un
slo mdulo -NVprlos riesgos de discapacidad y de morbilidad en vida se combinan en un
slo mdulo -Vdisse introduce un mdulo para catstrofes en vida -VCAT-
118
la reduccin por reparto de beneficios -RDB- se sustituye por un conjunto

de ajustes a menor nivel
el riesgo operacional -SCROP- ya no se le trata al mismo nivel que las
principales categoras de riesgo, sino que se pasa a calcular a un nivel
superior
el mdulo especial se destina al tratamiento de riesgo tcnico con
estructura diferente como por ejemplo, para los seguros actuariales de
salud que se comercializan en Alemania y en Austria.
Adems de esta reorganizacin de los mdulos, tambin se modifica el clculo

del SCR global pues ya no es la cifra resultante tras el clculo del SCRB menos
RDB y BP_NV, sino que se pretende que la reduccin por distribucin de
beneficios se calcule en cada mdulo de riesgo afectado por ella -mercado,
impago de la contrapartida y vida- y una vez depurado cada mdulo, se calcule
el SCRB para, a partir de aqu calcular el SCR como:
SCR = SCRB + SCPOP - BP_NV
El esquema que aparece en el documento llamado CP 2084, con la estructura
propuesta, es el siguiente:
Fuente: Consultation Paper n 20 (CP 20)
84
CEIOPS (2006): Draft Advise to the European Commission in the framework of the Solvency II
project on Pillar I issues further advice, Consultation Paper n 20, CEIOPS-CP-09/06.
119
Uno de los cambios ms significativos fue el referido al clculo del impacto de

la reduccin por distribucin de beneficios. La posibilidad de absorber prdidas
futuras mediante esta va se contempl en QIS2 mediante el ajuste RDB que
se calculaba como una parte de las provisiones tcnicas destinadas a realizar
/
k [0,1]
pagos por beneficios futuros: RPS = k PTbeneficios
Sin embargo, la experiencia del QIS2 demostr que los participantes en ella
tuvieron problemas a la hora de estimar el factor k ya que:
a veces su aplicacin conduca a valores negativos del SCR global.

no se daban pautas concretas para evaluar k con lo que quedaba al
albedro de cada compaa.
las cantidades de capital asociadas a cada mdulo de riesgo -por
ejemplo, riesgo de inters-, calculadas bajo la hiptesis de ausencia de
absorcin de prdidas, resultaba ser relativamente grande.
Teniendo en mente la siguiente prueba a realizar -QIS3-, CEIOPS propuso usar

el enfoque modular para solventar este problema, para lo cual, los pasos a
seguir seran los siguientes:
1)
1er paso. Clculo de las exigencias de capital para cada riesgo individual por ejemplo, el riesgo de inters- bajo dos hiptesis diferentes:
a) el asegurador es capaz de variar sus hiptesis sobre reparto de
beneficios futuros como respuesta a shocks externos. De esta forma,
se obtendra una cifra neta -nMDOintb) el asegurador no es capaz de variar sus hiptesis sobre reparto de
beneficios futuros como respuesta a shocks externos. De esta forma,
se obtendra una cifra bruta -bMDOintLa diferencia entre ambas sera el importe en que se puede reducir el
capital por este concepto. A esa diferencia se la denomina KCint.
2)
2 paso. Agregacin de las exigencias de capital para riesgos englobados

dentro de una misma categora -por ejemplo, para riesgos de mercado:
tipos, tipos de cambio, renta variable e inmuebles- usando la matriz de
correlaciones correspondiente y suponiendo que no se pueden cambiar
las hiptesis. De esta forma se obtendra la cifra bruta, a la que denomina
bSCRMDO. Para hallar la neta, se restara a ella el mayor KC individual.
As, en el riesgo de mercado sera:
nSCRMDO = bSCRMDO max{KCint , KCfx , KC prop , KCRV }
3)
3er paso. Agregacin de las exigencias a nivel global. Como antes, se

hara a nivel bruto mediante la adecuada matriz de correlaciones entre
mdulos y se restara el mayor KC, es decir:
nSCR = bSCR max{KCMDO , KCV , KCNV , K}
120
Por lo que se refiere a los resultados esperados para el prximo ejercicio en el

seguro de no vida y teniendo en cuenta la estructura modular de la frmula
estndar para la obtencin del SCR, CEIOPS consideran que este ajuste se
hace para complementar la evaluacin del riesgo realizada en el mdulo de
riesgo tcnico en no vida. Dado que ese mdulo se realiza para evaluar las
prdidas no esperadas, el ajuste recogido en BP_NV pretende cubrir el impacto
que sobre el riesgo del asegurador tenga un resultado esperado.
El hecho de separar entre resultados esperados y no esperados en seguros no
vida se debe a las siguientes causas:
simplifica la complejidad del clculo del capital asociado al riesgo en no

vida.
puede no ser apropiado agregar resultados esperados usando matrices
de correlacin.
bajo una perspectiva econmica, beneficios esperados en seguros no
vida se pueden usar para cubrir prdidas, independientemente de su
origen.
Generalmente una reduccin en los requisitos de capital debida a resultados

futuros esperados es coherente con el concepto de balance simplificado para el
SCR. Bajo este concepto, el riego a cuantificar por el SCR lo forma una prdida
potencial en el balance econmico a lo largo del horizonte de solvencia. Ese
deterioro potencial puede ser causado por prdidas tanto esperadas como
inesperadas. Por tanto, el SCR deberan cubrir ambos tipos.
Sin embargo, otros miembros del CEIOPS preferan no hacer ninguna
reduccin de los resultados esperados para calcular el SCR, aunque lo
sustituye por la correspondiente reevaluacin de parmetros usados en el
mdulo de riesgo tcnico de seguros no vida. Las futuras prdidas debern
tenerse en cuenta pero en las provisiones tcnicas y no en el SCR.
BP_NV es la suma de:

BP_NV = BP_NVP + BP_NVPSP
Estimacin del resultado esperado procedente de las primas del prximo

ejercicio:
Se obtiene como:
BP _ NVP = (1 RC1 )NYP1
siendo RC1 la ratio combinada esperada para el prximo ao, que se
obtiene como la media de los obtenidos en los ltimos 3-5 aos. Si el
nmero de aos disponibles es inferior a tres, entonces se toma 1 como
valor de la ratio. ste es un mtodo retrospectivo de calcular la ratio
combinada. No se puede asegurar que el valor que se obtenga sea un
buen estimador para la ratio del ao prximo.
Estimacin del resultado esperado procedente del resultado de liquidacin

del prximo ao:
Se obtiene como:
BP _ NV PSP = M PSP
121
en donde M es la estimacin del valor esperado por la liquidacin del

negocio el prximo ao y PSP el volumen de provisiones por siniestros
pendientes. Tambin se puede expresar como:
BP _ NVPSP = M R PSPR = AR MRR

R
siendo MRR el margen de riesgo en las provisiones por siniestros vivos en

cada ramo y AR es la proporcin de las provisiones para siniestros vivos
que se espera pagar el prximo ao.
Por construccin, BP_NVPSP 0 por lo que nunca habr dficit. El
beneficio esperado ser la proporcin del margen de riesgo global que se
espera sea materializada en el prximo ejercicio. Sin embargo, si se
permite que las compaas tengan en cuenta los efectos de la
diversificacin al calcular el margen de riesgo global, es posible que el
sistema de clculo sealado sobreestime BP_NVPSP por lo que sera
necesario hacer una correccin.
Por lo que ser refiere al tratamiento del riesgo operacional, QIS2 propuso una
frmula sencilla que combinaba primas y provisiones tcnicas de los ramos de
vida, no vida y salud:
OP1 = max{0,06 PV + 0,03 PNV + 0,03 PE ;0,006 PTV + 0,03 PTNV + 0,003 PTE }
El valor de los factores se tom de una propuesta de la Asociacin Alemana del
Seguro para la frmula estndar. Los resultados del QIS2 sugirieron una amplia
dispersin de resultados utilizando esta frmula. Por ello, para QIS3 se propuso
la siguiente:
SCROP = min{ OPcoef SCRB; OP1 }
siendo OPcoef coeficientes inferiores a uno.
El objetivo de este factor es evitar el peso excesivo que sobre el SCR global
pueda tener el componente de riesgo operativo. Sin embargo, CEIOPS
reconoce que este enfoque tiene debilidades. Una concreta es la potencial
exageracin de reduccin de riesgos en otros mdulos. Por ejemplo, un
asegurador podra usar derivados de crdito para reducir su exposicin al
riesgo de crdito, por lo que la parte del SCR debida a este riesgo ser
pequea. Segn este enfoque, esta reduccin del riesgo reducir el riesgo
operativo, cuando, razonablemente, su riesgo operativo por estas operaciones
ha aumentado. Como aproximacin, CEIOPS propuso coeficientes entre 0,25 y
0,50.
Finalmente, el SCRB, que es la suma de los siguientes componentes:
SCRB = SCRMDO + SCRdef + SCRV + SCRNV + Especial
122
Tambin sufre modificaciones en el clculo, centradas en los valores que

deber tomar la matriz de correlaciones lineales. Para el QIS2 se propuso
agregar usando una matriz de correlaciones lineales con coeficientes del tipo:
SCRMDO
SCRCR
SCRV
SCRNV
SCRMDO
1
MA
MB
MB
SCRCR
MA
1
MB
M
SCRV
MB
MB
1
B
SCRNV
MB
M
B
1
siendo B correlacin baja, MB correlacin medio baja, M correlacin media y
MA correlacin medio alta aunque los valores se dejaron a discrecin del
usuario.
En general, se opt por alguna de las siguientes soluciones:
a)
tomar los valores de la matriz recomendada para el clculo del MCR
b)
tomar estimaciones obtenidas de modelos internos
Con vistas al QIS3, CEIOPS propuso calcular el SCRB como:

SCRB = SCR SCR
siendo :
SCRMDO
SCRdef
SCRV
SCRNV
SCRMDO
1
1/4
1/4
1/4
SCRdef
1/4
1
1/4
1/2
SCRV
1/4
1/4
1
0
SCRNV
1/4
1/2
0
1
5.3. Sugerencias y cambios recomendados en los mdulos de riesgo
5.3.1. SCR para el riesgo de mercado -SCRMDOEste mdulo lo componen los requisitos de capital para los siguientes riesgos:
1)
2)
3)
4)
5)
6)
MDOint
MDORV
MDOprop
MDOfx
MDOsp
MDOconc
= Riesgo de tipos de inters

= Riesgo de renta variable
= Riesgo de inmuebles
= Riesgo por tipos de cambio
= Riesgo de diferenciales
= Riesgo por concentracin
Para QIS2 se utilizaron correlaciones entre los riesgos de tipos de inters, renta
variable, precio de inmuebles y tipos de cambio. Para QIS3 se espera incluir los
otros dos riesgos. Los participantes hicieron comentarios generalmente sobre
las correlaciones de los siguientes riesgos ya que se sospecha que son
superiores a las utilizadas:
123
Riesgo de tipos de inters y de renta variable
Riesgo de tipos de inters y precio de inmuebles
Riesgo de precio de inmuebles y renta variable
Para QIS3 la matriz propuesta es:

int
RV
int
RV
prop
sp
conc
fx
1
3/4
3/4
1/4
0
1/4
3/4
1
1
1/4
0
1/4
prop
sp
conc
fx
3/4
1
1
1/4
0
1/4
1/4
1
1/4
1
0
1/4
0
1/4
0
0
1
0
1/4
0
1/4
1/4
0
1
La razn que justifica los bajos valores de las correlaciones entre el riesgo por
diferencial y el resto es que en las pocas en la que los inversores se refugian
en ttulos ms seguros -fenmeno conocido como flight to quality- los
diferenciales de crdito tienden a estrecharse a la vez que activos como las
acciones tienden a caer, lo cual sugiere una correlacin positiva entre este
riesgo y el resto.
Para cada uno de los riesgos que lo componen se prevea hacer los siguientes
cambios:
a)
Riesgo del tipo de inters -MDOintDe cara a QIS3 se propusieron las siguientes acciones:
evaluar la divergencia de resultados obtenidos usando los dos

enfoques de QIS2 -escenario y factorial posible correccin por sesgo en las series temporales usadas para
calibrar ssub y sbaj
posible uso de tipos de inters reales
b)
Riesgo asociado a la renta variable -MDORVEn el QIS2 el enfoque placeholder supona la aplicacin de un cierto
shock al valor de todos los ttulos, incluyendo derivados y posicione
cortas. Se calculaba como:
MDO RV 1 = ( RV
)bajada
( RV link
)bajada
Ya se indic anteriormente cmo se determinaban los porcentajes de

cambio para el diseo del shock. Con vistas al QIS3, se pretenda seguir
con el enfoque utilizado en QIS2 pero afinando la calibracin. CEIOPS
124
estaba interesado en ver si los resultados de sus anlisis eran lo

suficientemente estables como para garantizar una reduccin del shock
hasta el 35% y en analizar el grado de concordancia entre los resultados
obtenidos bajo el enfoque de escenarios y bajo el basado en factores.
Un aspecto particular que requiere cierta atencin es la interaccin
existente en los riesgos de renta variable y el de tipo de cambio. El
anlisis anterior se basa nicamente en los rendimientos de los ttulos y el
riesgo de divisa se trata nicamente para posiciones abiertas en divisa,
pero no se trata el impacto de cambio en los tipos de cambio sobre el
valor en los ttulos. CEIOPS tambin tiene en mente considerar la
conveniencia de un shock global. Propuestas alternativas a la frmula
estndar han sugerido que se podran usar diferentes factores que tengan
en cuenta la volatilidad de los rendimientos registrados en diferentes
mercados, lo cual podra diferenciar entre mercados desarrollados y
emergentes o entre zonas globales. Sin embargo, los primeros anlisis
realizados sugieren que aumentar la atomizacin puede elevar la
magnitud del shock -medida usando el VaR corregido al 99,5%- tal y
como se recoge en la siguiente tabla:
Regin
Global
Europa
Alemania
Intervalo temporal
1970-2006
1970-2006
1970-2006
Frecuencia
Trimestral
Trimestral
Mensual
GDP Max-Ver.
33%
36%
N.D.
GDP Regresin
38%
41%
49%
Fuente: Consultation Paper 20
CEIOPS tambin estaba interesado en la aplicacin prctica del enfoque

de escenarios, por ejemplo, si los ttulos de referencia se deben
especificar ms claramente. Esto lleva a preguntarse por los ttulos de no
mercado: qu pasa con las carteras no referenciadas a esos ttulos antes
shocks en los ttulos de referencia.
Existe la preocupacin de que un gran peso en el riesgo por ttulos podra
tener el efecto no deseado de reducir las tenencias de ttulos por parte de
las aseguradoras.
Un grupo reducido de miembros del CEIOPS daba una solucin diferente
al tratamiento de este riesgo basndose en que, a largo plazo, las
acciones ofrecen mejores rendimientos que los bancos y proporcionan
una mejor defensa contra varios tipos de inflacin. Por tanto, sera
apropiado considerar este riesgo junto con los pasivos que se supone que
estn cubriendo estos activos. La volatilidad de las acciones es
importante en el corto plazo pero no tanto en el largo plazo. Por ello, el
tratamiento de este riesgo debera diferenciar entre pasivos de corto plazo
125
o inestables y los que son de largo plazo o estables, como por ejemplo,
las pensiones.
Como propuesta para QIS3, CEIOPS podra indagar en un enfoque en el
que la magnitud del shock depende del periodo de tiempo esperado para
la tenencia de ttulos y de la concentracin global de las inversiones en
esta clase de activos. Se podra evaluar como:
MDORV = RVcoef RV VaR

siendo RVVaR una aproximacin al VaR al 99,5%, estimado como el
70% de la media ponderada de las volatilidades a un ao de la cartera de
ttulos, mientras que RVcoef es un parmetro que depende de la proporcin
que representa los ttulos en el total de la cartera y del tiempo esperado
de permanencia de esos ttulos en la cartera. El valor de RVcoef se puede
recoger en al siguiente tabla:
Peso de los ttulos sobre
los compromisos con tomadores
Tiempo esperado de
permanencia en cartera
Menos de 2 aos
Entre 2 y 5 aos
Ms de 5 aos
15-25%
1,00
0,70
0,60
25-40%
1,00
0,80
0,70
> 40%
1,00
0,90
0,80
Fuente: Consultation Paper 20 (CP 20)
Este enfoque tiene el problema de la determinacin del tiempo previsto de

permanencia en cartera. Adems, existe oposicin a este concepto por
considerarlo inconsistente con la definicin del SCR -riesgo a un ao-.
c)
Riesgo de inmuebles -MDOpropAl igual que en el caso anterior, se pretende seguir con el enfoque de
QIS2 pero mejorando la calibracin del modelo en aspectos tales como:
Correccin de las colas gruesas

Correccin de la iliquidez
Comparacin de los resultados obtenidos por el enfoque escenarios y
factorial
Como en el caso anterior, una minora del CEIOPS sugera que la
magnitud del riesgo dependa de la duracin media de los pasivos y de la
concentracin global de sus inversiones en propiedades. Podra ser as:
126
Inmuebles como peso de los compromisos

Duracin media
de los pasivos
1
2
3
4
5
6
7
8
9
> 10
<15%
20%
14,5%
11%
8%
7%
6%
5,5%
5%
4,5%
4%
15-25%
20%
14,5%
11%
10%
10%
10%
10%
10%
10%
10%
25-40%
20%
20%
20%
20%
20%
20%
20%
20%
20%
20%
>40%
50%
50%
50%
50%
50%
50%
50%
50%
50%
50%
Fuente: Consultation Paper 20
Como en el caso anterior, muchos miembros del CEIOPS se oponen a

este enfoque pues lo consideran inconsistente con el diseo del SCR.
d)
Riesgo asociado al tipo de cambio -MDOfxCon vistas al QIS3, se esperaba trabajar los siguientes aspectos:
correccin de colas gruesas
hiptesis del modelo
grado de conciliacin entre los resultados obtenidos usando el
enfoque de escenarios y factorial
Tambin el CEIOPS est interesado en ver si los resultados son lo
sufiente-mente estables como para rebajar el shock hasta el 20%.
Asimismo est interesado en aplicar un mayor grado de detalle, en
particular:
shocks diferentes para distintas monedas

diferenciacin entre tres grupos de divisas: las correspondientes a las
economas europeas, otras economas desarrolladas y economas
emergentes
modificacin de la amplitud del shock dependiendo de la divisa base
Como se ha sealado anteriormente, uno de los cambios que se perfilaron para
el QIS3 es el asociado a la composicin del riesgo de mercado, el cual
incorporara dos nuevos mdulos: los referidos al riesgo de diferencial y a
concentraciones de riesgo de mercado.
a)
Riesgo de diferencial -MDOspSon las prdidas debidas a cambios en el diferencial de crdito respecto a
la curva de tipos libres de riesgo. En el QIS2 no se contemplaba este
riesgo de forma independiente, sino que junto con el riesgo de impago,
formaba parte del mdulo relativo a riesgo de crdito. As, por ejemplo,
para un bono con rating BBB se pueden identificar los siguientes riesgos:
127
cambios en valor por cambios en la curva de tipos libres de riesgo -es

el riesgo de mercado por tipos de inters cambios en el valor por cambios en la curva de bonos BBB respecto a
la curva de tipos libres de riesgo -riesgo de mercado por diferencial cambios en el valor producidos por cambios en la capacidad crediticia
del emisor -riesgo de mercado por concentracinEste mdulo se desarrollar en el QIS3. Para evaluar este riesgo, se toma
como punto de partida la siguiente informacin:
ratingi = calificacin externa del crdito de la posicin i-sima

duri
= duracin efectiva de la posicin i-sima
VMi
= tamao de la exposicin i-sima a valor de mercado
y el riesgo asociado se obtiene a partir de la siguiente expresin:
MDOsp = RWi (rating i ) m(duri ) VM i

i
en donde RW son coeficientes de ponderacin en funcin del rating a

partir de la siguiente tabla -las categoras son las de Standard & Poors a
modo de ejemplo:
Rating
RW
AAA
0,04%
AA
0,28%
A
3,3%
BBB
6,56%
BB
10,16%
B
22,23%
CCC o inferior
34,96%
Sin calificar
8%
siendo todas ellas 5 veces superiores a las usadas en el QIS2. m es una
funcin de la duracin, la cual en esta fase del estudio estaba por
desarrollar. Posibles enfoques para ello:
pruebas de tensin sobre la curva de diferenciales, que sera similar a

escenarios sobre la curva de tipos
dependencia lineal, que sera semejante al enfoque de duraciones
usado para el riesgo de tipos de inters
dependencia lineal en donde la duracin tenga un mximo de cinco
aos, como en el mdulo de riesgo de crdito de QIS2
b)
Concentraciones de riesgo de mercado

Es un riesgo adicional para la aseguradora debido a:
128
la volatilidad adicional existente en carteras en las que hay

concentracin de activos y
el riesgo adicional debido a prdidas permanentes por el impago de
un emisor
Por simplicidad, la concentracin de riesgos de mercado se restringe al
correspondiente por acumulacin de exposiciones con una misma contrapartida. Este riesgo no se consider en el QIS2. Sin embargo, su
omisin no es consistente con el diseo general del SCR, pues debera
cubrir cualquier tipo susceptible de ser cuantificado. Para evaluarlo, se
considera que todas las cantidades pertenecientes al mismo grupo,
excepto las del propio grupo, se consideran como parte de la misma
contrapartida. Se trata de evaluar la exposicin neta a una contrapartida,
la cual se obtiene como la suma de todas las exposiciones netas en todas
y cada una de las categoras de activos. Para cuantificarlo se puede
utilizar el siguiente enfoque en dos pasos:
1) se calcula el valor de la exposicin a precios de mercado
2) se aplica un coeficiente en cada categora de activos -por ejemplo,
acciones = 1, renta fija = 0,5 e inmuebles = 0,75
Por tanto, la exposicin neta ante la contrapartida i-sima ser la suma
ponderada de todas las exposiciones, j, en cada una de las categoras de
activos, h:
E i = w k EADikj
k
Una vez calculada la exposicin a la contrapartida i-sima, se pasa a

calcular el exceso de exposicin, el cual se puede definir como:
Ei
XSi = max0;
UC
ACT
xi
siendo ACTxi el valor total de los activos excepto aqullos en los que los
tomadores soportan el riesgo de la inversin y UC el umbral de
concentracin -UC est en el intervalo (0,1)-.
Una vez obtenido el exceso de exposicin, se precede a calcular las
exigencias de capital por la concentracin de exposicin ante la
contrapartida i-sima. Por ejemplo, se puede usar la siguiente expresin:
Ci = ACTxi XSi RWconc (rating i ) (f0 + f1 XSi )
siendo f0 y f1 parmetros y RWconc coeficientes de la siguiente tabla:
Rating
RWconc
AAA
0,04%
AA
0,28%
A
3,3%
BBB
6,56%
BB o inferior y sin clasificar
8%
129
Tras calcular el capital exigido por el exceso de exposicin ante la

contrapartida i, se obtiene la exigencia total de capital suponiendo
independencia entre todas las contrapartidas como:
Mkt conc =
2
i
5.3.2. SCR asociado al riesgo de impago de la contrapartida -SCRdefEs el asociado al riesgo de impago en la contrapartida de contratos firmados
para reducir el riesgo -reaseguro y derivados financieros-. La propuesta para el
QIS3 era seguir un tratamiento conservador, identificando y evaluando el riesgo
causante. Este riesgo no se incluy en el QIS2 por lo que era necesario
desarrollarlo completamente. Para ello, y al igual que en el sector bancario, se
puede usar informacin sobre probabilidades de impago -PD- y el coste de
reemplazamiento -CR-. La PD se puede estimar a partir de los rating
elaborados por agencias externas, siguiendo, a modo de ejemplo, la siguiente
tabla con las categoras de Standard & Poors:
Rating
PD
AAA
AA
A
BBB
BB
B
CCC o inferior y sin clasificar
0,004%
0,01%
0,05%
0,26%
1,22%
5,78%
16,32%
Si la contrapartida es una reaseguradora con rating, PD se puede estimar a

partir de la tabla anterior. Si no es as, se trata como un riesgo con rating B.
Por lo que ser refiere al coste de reemplazamiento es la diferencia entre las
provisiones tcnicas brutas y netas de reaseguro, ajustada por el efecto de
garantas o de otros elementos admitidos como reductores del riesgo. Desde
un punto de vista estadstico, el riesgo de impago de la contrapartida se puede
tratar usando la distribucin de Vasicek, que es la base de la frmula de IRB en
la Directiva de Exigencias de Capital. Si el VaR al 99,5% es el ajuste
convencional para el SCR, las exigencias de capital se pueden calcular como:
N 1 (PD )

R
Di = CR N
+
N 1 (0,995)
1 R
1 R

siendo CR el estimador del coste de reemplazamiento, N la funcin de
distribucin acumulada de la normal estndar y R la correlacin entre el coste
de reemplazamiento y el riesgo de impago de la contrapartida -Di-, que
depende de la distribucin de las exposiciones al riesgo a diferentes
reaseguradoras. Se puede determinar como:
130
R=
1+ H
2
H = w i2
i
siendo wi el peso que representa la reaseguradora i en el total de

reaseguradoras. H es el ndice de Herfindahl. A efectos de clculo, H se
debera calcular por separado para las reaseguradoras y paras los derivados
financieros.
5.3.3. SCR asociado al riesgo tcnico de vida -SCRVCon vistas al QIS3, CEIOPS propuso reordenar los riesgos de la siguiente
forma:
se mantienen como independientes los riesgos de gastos, longevidad y

suspensin -Vg, Vlong y Vlap respectivamentela parte de riesgo catastrfico asociado a la mortalidad, morbilidad y
discapacidad se unen en un riesgo independiente -VCATlas partes no catastrficas de los riesgos de morbilidad y discapacidad se
unen en un nico riesgo -Vdiscse mantienen como riesgo independiente la parte no catastrfica de la
mortalidad
El capital exigido se calcula como:

SCRV = V V
siendo V el vector de riesgos independientes y la siguiente matriz:
mort
long
disc
lap
exp
CAT
mort
long
disc
lap
exp
CAT
1
0
1/4
0
1/2
0
0
1
0
1/2
1/2
0
1/4
0
1
0
1/2
0
0
1/2
0
1
1/2
0
1/2
1/2
1/2
1/2
1
0
0
0
0
0
0
1
Veamos cada uno por separado:
a)
Riesgo de mortalidad -VmortEs el asociado a un cambio en las tasas de mortalidad. Ahora tiene dos
componentes:
Riesgo de volatilidad: asociado a fluctuaciones aleatorias de las tasas

reales de mortalidad en torno a las tasas esperadas en el horizonte de
solvencia y
131
Riesgo de incertidumbre: el asociado a una mala especificacin del

modelo o a una mala estimacin de los parmetros del modelo85.
En QIS2 el enfoque bsico se hizo usando un enfoque factorial, es decir,
el riesgo de volatilidad se estim a partir de la desviacin tpica de la
distribucin de prdida por mortalidad, la cual se obtuvo a partir de las
probabilidades medias de muerte y el nmero de contratos en cartera,
mientras que el riesgo de incertidumbre se obtuvo multiplicando el saldo
de provisiones tcnicas por un factor vlido para todo el mercado.
Objeciones presentadas por los participantes fueron las siguientes:
el riesgo de incertidumbre debera calcularse usando como referencia

el capital en riesgo en vez de las provisiones
la duracin residual de los contratos no se ha tenido en cuenta
el capital asociado al riesgo de volatilidad no recoge la parte de la
volatilidad asociada a cambios en el tamao de la pliza
en el capital asociado al riesgo de volatilidad se debera usar el
nmero de cabezas aseguradas en vez del nmero de contratos
Por lo que se refiere a las pruebas realizadas en base a escenarios, los
participantes hicieron las siguientes observaciones:
se preguntaron si era necesario el clculo de un escenario separado

para la volatilidad si sta era siempre una pequea proporcin del
clculo del escenario del riesgo de incertidumbre
el riesgo de volatilidad depende del grado de diversificacin de la
cartera
en contratos con opcin a tasas revisables, no parece razonable
suponer un shock permanente en la tasa futura de mortalidad
En media, se obtuvo que el capital necesario por riesgo de mortalidad era
significativamente mayor usando el enfoque de escenarios que el
factorial.
Con vistas a QIS3 se propusieron los siguientes cambios:
1) para el riesgo de volatilidad:
en el enfoque factorial se debera recoger lo siguiente:

para recoger el efecto del tamao, la estimacin de la
desviacin tpica usada debera recargarse por un factor de
mercado -por ejemplo, el 50%85
A estos dos elementos habra que aadirle lo que se conoce como riesgo estructural, es decir, la
posibilidad de que los parmetros de la distribucin puedan cambiar en el tiempo.
132
para el tamao de la cartera, se debera usar el nmero de

cabezas aseguradas y no el nmero de contratos
en el enfoque de escenarios, suponer un shock igual para todas
las aseguradoras no parece apropiado al no tener en cuenta el
tamao de la cartera. Por tanto, el shock debera ser compatible
con la estimacin de la desviacin tpica de la distribucin de
prdidas por mortalidad bajo el enfoque factorial86.
2) para el riesgo de incertidumbre y en el enfoque factorial se propone:
el capital por incertidumbre en mortalidad se debera calcular en

relacin a los capitales en riesgo en vez de las provisiones
tcnicas
los contratos se podran agrupar en tramos segn su duracin
residual, de forma que cada tramo tuviera su factor
En cualquier caso, se supondr que ambos riesgos son independientes,
por lo que:
2
2
Vmort = Vmort
, vol + Vmort , inc
b)
Riesgo de longevidad -VlongEs el asociado a un potencial recorte en las tasas de mortalidad. A partir
de la experiencia del QIS2, las sugerencias de los participantes son
similares a las del riesgo de mortalidad. Como especfica de este riesgo,
en el enfoque de escenarios, es que una mejora de un X % anual en la
tasa de mortalidad parece ms apropiado que una nica cada
permanente en la tasa de mortalidad. Por ello, con vistas al QIS3, en el
enfoque factorial, los contratos se deberan agrupar en distintos bloques,
en funcin de su duracin residual, de forma que cada trama tuviera su
propio factor. En cuanto al enfoque de escenarios, se podra mejorar
introduciendo una cada en los factores de longevidad de la forma:
q
x , t = ln x , t +1
qx,t
c)
Riesgo de discapacidad y morbilidad -VdiscVa asociado a cambios en las tasas de discapacidad/morbilidad, incluidos
las probabilidades de recuperacin. La experiencia del QIS2 recoge
comentarios similares a los del anlisis de la mortalidad. Por ello, de cara
al QIS3 se sugera que en el enfoque factorial se dividan los contratos en
diferentes tramos en funcin de su duracin residual, de forma que cada
trama tuviera su factor especfico.
86
Si, por ejemplo, la desviacin tpica es del 2%, suponiendo una distribucin normal con un 1- =
99,5%, entonces, el shock debera ser igual a 2,58 2% 5%.
133
d)
Riesgo de prdida de cartera -VlapEs el asociado a una mayor o menor tasa inesperada de suspensiones de
plizas, terminaciones, cambios en la situacin de liberados y rescates.
En QIS2 se calcul a partir de un enfoque factorial basado en provisiones
tcnicas y en el importe total de derechos contra tomadores y agentes de
seguros como medida de volumen. Como sugerencia de los participantes
las siguientes:
no permitir zillmerizaciones, es decir, se deberan reducir los

derechos sobre los agentes
el tratamiento es inadecuado para ciertos productos, por ejemplo, los
que no tienen opcin de suspensin
las provisiones tcnicas no parecen una medida adecuada de la
exposicin al riesgo
Tambin se prob un enfoque basado en escenarios en donde se deba

escoger el peor resultado de entre un aumento o un descenso del 50% en
rs o proporcin de plizas que, de forma imprevista, dejan de pagar
primas, tomando siempre al menos un cambio del 3%, es decir:
SCRlap = VAN[max{1,5rs ;0,5rs ;3%}]
Este escenario no quedaba claro para los participantes.
Con vistas al QIS3 se sugirieron los siguientes cambios:
se propuso como medida, no las provisiones tcnicas, sino la

diferencias entre ellas y el valor de rescate
reducir el plazo de los derechos sobre tomadores y agentes
el clculo se debera centrar nicamente en los contratos expuestos a
este riesgo
e)
Riesgo de gastos -VgEs el asociado a unos gastos debidos a los contratos de seguros
superiores a los previstos. Los participantes en el QIS2 aportaron las
siguientes sugerencias:
no parece razonable fijarse slo en los gastos fijos

de la larga duracin de los contratos, fijar un coeficiente de 0,1 para
los gastos de un ao podra infraestimar el verdadero riesgo
Por ello, con vistas al QIS3 se pretenda lo siguiente:
134
considerar todos los gastos anuales y no slo los fijos

tener en cuenta que este riesgo durar mientras duren los contratos
Por ello, se propuso la siguiente expresin:
Vg = 0,1 ffix Efix + 0,025 fvar E var
siendo f la duracin media residual de los contratos con prima fija o
ajustable y E el importe anual de gastos asociados a contratos con prima
fija o ajustable.
f)
Riesgo de catstrofe -VCATProcede de sucesos extremos o irregulares que no estn suficientemente

capturados por los capitales asociados a riesgos biomtricos, de
suspensin o gastos. Son situaciones que ocurren una sola vez y que no
pueden ser representadas correctamente por la proyeccin de sucesos
comunes. Al considerar las prdidas por posibles catstrofes en los
siguientes doce meses, la intencin es que el capital asociado a
catstrofes recoja el efecto medio sobre el valor neto de los activos del
1% de los escenarios que causen la mayor prdida en el valor neto.
Con vistas al QIS3, CEIOPS debera desarrolla un esquema basado en
escenarios en donde:
se deberan especificar el o los escenarios a considerar y

la forma en la que se obtendra el capital asociado a este riesgo por la
combinacin del efecto de cada escenario
5.3.4. SCR asociado al riesgo tcnico de no vida -SCRNVEn el QIS2 se propusieron tres subriesgos:
1)
2)
3)
el de primas -NVPel de reservas -NVRESel de catstrofes -NVCAT-
Relacionados de acuerdo con la siguiente matriz de correlaciones:
primas
reservas
catstrofes
primas
1
1/2
0
reservas
1/2
1
0
catstrofes
0
0
1
Las sugerencias hechas por los participantes se centraron en los siguientes

puntos:
135
se ha supuesto una correlacin entre los riesgos de primas y reservas de

1/2. Sin embargo, este coeficiente es muy distinto segn cul sea el ramo
del que hablemos.
por ello, el enfoque no parece muy correcto, pues en algunos ramos la
correlacin es ms elevada que en otros.
Por ello, con vistas al QIS3, CEIOPS propuso que el clculo se dividiera en dos
grandes bloques:
1)
NVP, que englobara el riesgo de primas y reservas, pero analizando al

nivel de ramos individuales y
2)
NVCAT.
La agregacin de ambos bloques se har usando una matriz identidad, es

decir:
primas
catstrofes
primas
1
0
catstrofes
0
1
a) Riesgo de primas y reservas -NVprA la vista de la experiencia del QIS2, en el que se permitan dos posibles
aproximaciones al clculo del riesgo -enfoque general de mercado y
complejo-, los participantes encontraron que la aproximacin general de
mercado para el riesgo de primas presenta los siguientes defectos:
slo considera parcialmente el efecto reductor del riesgo del

reaseguro utilizado por la compaa, especialmente en el caso no
proporcional.
no refleja adecuadamente el perfil de la cartera de la empresa. Por
ejemplo: una aseguradora centrada en riesgos de particulares debera
tener una volatilidad inferior a la de otra centrada en riesgos
industriales. Sin embargo, bajo el enfoque placeholder ambos
negocios usaran el mismo factor.
Si ahora en este subriesgo consideramos que el riesgo cubre primas y
reservas, el clculo de la cantidad de capital se hara de forma similar a
como se haca en QIS2 para los riesgos considerados individualmente, es
decir:
NVP = ( )V
siendo V = medida de volumen.
Se calcula como:
V = (PR + CR )
R
136
siendo PR y CR las medidas de volumen de primas y reservas

respectivamente por ramos. es la desviacin tpica del riesgo
subyacente. Se puede calcular mediante un proceso de dos fases:
1) para cada ramo se calcula la desviacin tpica de los riesgos de
primas y reservas.
2) a partir de los datos individuales se procede a su agregacin usando
la expresin:
1
=
V V
V2
Con vistas al QIS3 se plantea el debate sobre los siguientes aspectos:
1) Eleccin de una medida de volumen para el riesgo de primas

El riesgo de primas debera hacer frente a dos tipos de
incertidumbres:
1. la primera hace referencia a los mrgenes que las primas futuras
deberan incluir, es decir, a la diferencia entre las primas
realmente cargadas y los siniestros y gastos esperados para el
periodo que cubre la prima. En este caso, una medida apropiada
de volumen sera el nivel de primas que se espera cobrar.
2. la segunda fuente de incertidumbre es que la estimacin de los
compromisos a final del periodo sea distinta de lo esperado al
comienzo del mismo. Esta diferencia se puede obtener bien por
informacin directa sobre los siniestros incurridos, bien por
informacin indirecta. En este ltimo caso, puede afectar
directamente a las reservas y a los IBNR de final de periodo. En
este caso una medida apropiada de volumen sera el nivel de
primas que espera girar durante el periodo ms la reserva de
primas.
Con el fin de hacer las cosas ms simples, se sugiere que, en cada
ramo, la medida de volumen para el riesgo de primas debera ser las
primas netas de reaseguro, que el asegurador espera girar en el
periodo siempre que supere en, al menos, un 5% las del ejercicio
anterior.
2) Definicin de la desviacin tpica del riesgo de primas

La variable clave en este riesgo es la rentabilidad como proporcin de
la prima. Sin embargo, la variabilidad que nos interesa no es la de
esta ratio en un periodo de tiempo de un ao sino la que se espera
cuando el SCR se calcule. As, si la desviacin tpica es funcin de las
primas y del ramo concreto, entonces suponiendo lognormalidad en
las tasas, la cantidad de capital sern PR(), tal que es el TVaR al
99% y = (primas, ramo).
137
La principal fuente de variabilidad es la variacin de las tasas de

primas como consecuencia de la competencia. Por tanto, es ms
apropiado considerar la variacin de la rentabilidad ao a ao que la
variacin a lo largo de un periodo extenso de aos.
3) Forma de modelar el riesgo de primas

QIS2 permita evaluar el riesgo de prima bien mediante datos
generales del mercado -el llamado placeholder approach- bien
mediante un enfoque personalizado, en el que se podan utilizar datos
especficos de la compaa. Las diferencias en los resultados entre
ambos enfoques pueden deberse a las diferencias que existan en el
pasado pero que ya no existen -se usan como mucho datos de 15
aos- debido a cambios de la naturaleza del negocio y en el tamao.
A pesar de ello, CEIOPS reconoce el mrito de este enfoque y asume
que deber trabajarse ms en este punto de modo que si un
asegurador puede demostrar que la incertidumbre es menor con un
modelo personalizado que con el modelo estndar, debera usar
aqul.
4) Factor de tamao
Bajo QIS2, la desviacin tpica se obtena como:
= sf f
en donde sf era el factor de tamao que dependa del tamao de la
medida de volumen y f una constante especfica de cada ramo. El
diseo del factor de tamao supona que la desviacin tpica del
rendimiento de un ramo era proporcional a la raz cuadrada de la
renta de las primas o de la provisin para siniestros, ocurriendo que
las carteras muy grandes y muy pequeas eran tratadas de forma
diferente. Este planteamiento es correcto si las carteras de las
aseguradoras grandes y pequeas fueran similares y los riesgos
fueran todos independientes. Sin embargo, ambas hiptesis son
falsas. Las aseguradoras pequeas no cubren grandes riesgos y
tienden a comprar ms reaseguro que las grandes. Adems, los
riesgos no son independientes pues pueden verse afectados, por
ejemplo, por condiciones econmicas, clima, cambios sociales,
legislativos o decisiones judiciales. Tales riesgos son, en gran medida,
no diversificables dentro de un ramo. Es de esperar que los riesgos
diversificables sean proporcionales al tamao de la cartera, mientras
que los no diversificables lo fuesen a la raz cuadrada. De esta forma,
la desviacin tpica del rendimiento sera:
rto = s 2V 2 + nV
siendo V la medida del volumen y s y n factores dependientes del
ramo.
Aunque suponer que los riesgos son similares no se sostiene, es una
aproximacin razonable. Por ello:
138
( pr , r ) =
rto
Pr
= s (2pr , r ) +
n( pr , r )
Pr
(res , r ) =
rto
Cr
s (2res , r ) +
n (res , r )
Cr
s hace referencia a la desviacin tpica sistemtica y n al factor no

sistemtico.
A partir de aqu, parece lgico agregar los componentes s2V2 por
ramos usando la matriz de correlaciones -tanto para primas como
para reservas- y suponer independencia para nV. Por tanto, la
expresin final ser:
1
=
[V V s s + nV ]
V2
expresin vlida tanto para primas como para reservas.
5) Atomizacin -GranularitySe parte de aceptar que los ramos usados en QIS2 son muy
heterogneos y que, por tanto, es de esperar que dividir esos ramos
en grupos ms homogneos entre s, mejorara la frmula. No
obstante, sto sera factible si el sector es capaz de aportar datos
especficos de cada uno de estos subramos. En los casos en los que
no sea posible, se mantendran las agrupaciones iniciales.
En cuanto a las reaseguradoras, no parece apropiado meterlas a
todas en un mismo bloque. An cuando se asume que la mayora de
las reaseguradoras optarn por el modelo interno, la frmula estndar
seguir siendo necesaria para aseguradoras directas que suscriban
cierto nivel de reaseguro y para aquellas reaseguradoras cuyos
modelos internos no hayan sido aceptados por los reguladores. En
ltimo extremo, las reaseguradoras pueden dividirse entre
proporcionales y no proporcionales y entre reaseguro de propiedad y
de personas -casualty-. En el caso de las reaseguradoras
proporcionales, se pueden usar los mismos ramos que en el seguro
directo. Para el no proporcional, parece poco probable que se usen
los ramos del seguro directo. En este caso, para el QIS3 se dudaba
entre optar bien por usar las agrupaciones del seguro directo, bien por
dividir a las reaseguradoras entre las centradas en propiedades y las
centradas en personas -casualty-.
139
6) Tratamiento del reaseguro cedido

El clculo del capital se har teniendo en cuenta las cifras de primas y
siniestros netas de reaseguro.
b)
Riesgo de catstrofe -NVCATSe asocia a sucesos extremos o irregulares no suficientemente recogidos

por los capitales para riesgo de primas o de reservas. Al considerar las
prdidas por catstrofe dentro de los siguientes 12 meses, la idea es que
el capital asociado a ellos recoge el efecto medio que sobre el valor neto
de los activos, produce el 1% de los escenarios que causan las mayores
prdidas -1% TVaR-.
Para el QIS2, el cmputo de las catstrofes se hizo por alguno de los
siguientes dos mtodos:
1) enfoque de prdidas de mercado: se trata de evaluar las prdidas que
puede tener el sector en su conjunto y tomar como cifra de capital el
porcentaje que representa la empresa en el sector.
2) enfoque basado en escenarios: se estima directamente el impacto de
ciertos escenarios.
Con vistas al QIS3 se pretenda lo siguiente:
1) Eleccin de escenarios: se incluirn tanto catstrofes naturales como
las debidas a la accin del hombre. Adems, hay sucesos que pueden
tener efectos retroactivos en los compromisos existentes: se incluyen
un aumento sbito en los precios o un alza en las expectativas de
inflacin, decisiones legales inesperadas que afecten a ciertos tipos
de pasivos, etc. De todos estos escenarios algunos de ellos se
definirn a nivel europeo mientras que otros lo sern a nivel nacional.
2) Combinacin de escenarios y cmputo agregado de capital: es
posible que una aseguradora se vea afectada por ms de una
catstrofe. Para evaluar el impacto de cada una de ellas se necesitar
tener un modelo interno para cada tipo de catstrofe. Pero si se
carece de l, las cantidades de capital debidas a cada escenario se
pueden acumular usando el enfoque de la raz cuadrada, es decir:
NVCAT =
CAT
siendo CATi el coste de la catstrofe i-sima, siempre que exceda al

25% del importe de la mayor catstrofe.
3) Implantacin y revisin de la lista de escenarios adecuados: los
supervisores acordarn una lista de escenarios adecuados. QIS3
140
incluir una lista de escenarios nacionales y se revisar

peridicamente para garantizar que incluye los riesgos catastrficos
ms destacados de Europa.
6. MODIFICACIONES SUGERIDAS PARA EL CLCULO DEL MCR

En relacin al clculo del MCR se han sugerido varias modificaciones
relacionadas con: la estructura modular, una propuesta alternativa para su
obtencin y cambios para el periodo de transicin.
6.1. Cambio en la estructura modular del MCR
En el nuevo enfoque de Solvencia II, las exigencias de capital -SCR y MCRdeberan recoger todos los riesgos con los que se enfrenta un asegurador. Sin
embargo, sus propsitos son distintos:
El SCR es el nivel de capital que permite a las compaas absorber las

prdidas significativas y
El MCR es un sistema de seguridad. Se le define como un umbral,

alcanzado el cual se pone en marcha la actuacin del regulador.
Dado que tienen finalidades distintas, la mayora de los miembros del CEIOPS
considera que se deberan calcular de forma tambin diferente. As, mientras
que el SCR es sensible al riesgo y refleja el perfil de riesgo de la compaa, el
MCR debera ser lo suficientemente robusto como para ser susceptible de
defensa ante un Tribunal. Por ello, es esencial que sea auditable, adecuado
para clculos intermedios y no excesivamente complejo en su elaboracin. Por
tanto, sus caractersticas deben ser:
simple e incuestionable
ha de reflejar parte del perfil de riesgo por lo que se incluira informacin
sobre los riesgos de suscripcin, catstrofe y mercado junto con los
gastos de liquidacin
debe recoger un nivel mnimo que d ciertas garantas a los tomadores
En consecuencia, para obtenerlo se utilizan los siguientes elementos -mdulos-:
MCRMDO
MCRNV
MCRV
MCRCAT
Gliq
MCRA
= MCR asociado al riesgo de mercado

= MCR asociado al riesgo de suscripcin en no vida
= MCR asociado al riesgo de suscripcin en vida
= MCR asociado al riesgo de catstrofe
= gastos asociados a la liquidacin de siniestros
= MCR absoluto
Se calcula como:
2
MCR = max MCRA; MCRact
+ MCRp2 + Gliq
141
siendo:
MCRact
MCRp
= MCRMDO
= MCRNV + MCRV + MCRCAT
Se supone que:
los riesgos de activo y de pasivo son independientes entre s y

los riesgos de pasivo tienen una correlacin perfecta positiva entre ellos
Como punto de partida para MCRA se toma el saldo existente del Fondo de
Garanta Mnima.
MCRMDO
Se obtiene como:
MCRmdo = RV + Pr op + RF
siendo , y parmetros fijos y RV, Prop y RF los valores de mercado de los

ttulos de renta variable, inmuebles y ttulos de renta fija, respectivamente.
MCRNV
Se obtiene como:
MCRNV = max{ PTNV ; PNV ; X NV }
siendo , y parmetros fijos y PTNV, PNV y XNV medidas de volumen bsadas

en las provisiones tcnicas de no vida, primas de no vida y siniestralidad
pasada en no vida, respectivamente.
MCRV
Se obtiene como:
MCRV = PTRT + 1 PTV 1 + PTV 2 + CER
siendo , 1, 2 y parmetros fijos, PTRT las provisiones tcnicas de vida en
las que el riesgo de la inversin corre a cargo del tomador, PTV1 las provisiones
tcnicas netas de reaseguro correspondientes a la cartera de vida sujeta al
riesgo de longevidad, PTV2 las provisiones tcnicas netas de reaseguro
correspondientes a la cartera de vida sujeta a riesgos distintos al de
longevidad, y CER los capitales en riesgo de la cartera de vida, neta de
reaseguro.
MCRCAT
142
Sera:
MCRCAT = XMPP
en donde XMPP es el coste total de la mxima prdida posible que puede sufrir
la aseguradora, neta de reaseguro.
Gastos asociados a la liquidacin de siniestros -GliqLas provisiones tcnicas ya incluyen una parte correspondiente a los gastos de
liquidacin -costes administrativos-. Por tanto, esta partida incluye aquellos
gastos que no estn previstos en las provisiones tcnicas. Su expresin
analtica es:
Gliq = h Gt 1 DurPT
siendo Gt-1 los gastos totales del ejercicio anterior y DurPT la duracin estimada
de las provisiones tcnicas. Se usan los gastos del ejercicio anterior y no los
del ejercicio presente para garantizar que el MCR se pueda auditar.
6.2. Propuesta alternativa para la obtencin del MCR
Para algunos miembros del CEIOPS el enfoque modular no otorgaba una
jerarqua clara de exigencias regulatorias, en donde el SCR debera ser
superior al MCR. Adems, ese enfoque simplifica en exceso la relacin entre
los riesgos de activo y los de pasivo. Estos miembros sugirieron un enfoque
compacto para el MCR.
Hay ciertos aspectos que no se recogen ni en el SCR ni en las valoraciones de
las provisiones tcnicas, entre ellos:
error de clculo temporal -timing error-: riesgo de que el asegurador o el

regulador sean incapaces de identificar de forma suficientemente rpida la
cada en la cifra de capital
gastos de liquidacin -run off expenses-: igual sentido que en Gliq
otras circunstancias especiales tales como que las provisiones tcnicas
y/o el SCR sean artificial o temporalmente bajos.
Por todo ello, se sugiere que el clculo del MCR sea de la siguiente forma:
MCR = max{MCRA; ETSCR ; Gliq }

siendo ETSCR el error de clculo temporal, ste se calcula como un porcentaje
del SCR del ejercicio anterior, es decir:
ETSCR = g SCRt 1
g (0;1)
143
6.3. Cambios para el periodo de transicin

Dado que Solvencia II se va a ir implantando de forma progresiva, se sugiere
que durante esa fase el actual margen de solvencia se calcule como:
MCRtrans = max{ MCR; MS}

siendo un coeficiente creciente y otro decreciente, MS es el margen de
solvencia calculado de acuerdo a los criterios de Solvencia I. Se sugiere que
se fije de forma que:
MSO
MCRtrans
2
que es equivalente a decir que durante la fase transitoria el MCR es, ms o
menos, la mitad de las exigencias de solvencia con el sistema actual.
144
CAPTULO 4
DESARROLLO POSTERIOR DEL MODELO GENERAL
PRESENTADO: EL QIS3
1. TERCERA APROXIMACIN: QIS387
Tras la experiencia y anlisis de los datos recogidos con el uso del QIS2 se
procedi a afinar el modelo general presentado en ese estudio de campo. Al
igual que en el caso de aqul, el modelo general va acompaado de unas
hiptesis generales sobre el mtodo a seguir para proceder a la valoracin de
todas las partidas del balance, adems de las pautas para la eleccin de las
rbricas que se consideran como integrantes del Capital de una entidad
aseguradora. Hay que decir que tanto la expresin analtica del modelo como
estos elementos complementarios tienen un mayor grado de detalle que en el
estudio previo, tal y como se muestra en los siguientes apartados. En cuanto a
la estructura del modelo, presenta ligeros cambios en relacin a los sugeridos
en el CP 20 y que ya fueron expuestos en el punto 5 del captulo anterior. Estas
modificaciones se recogen en el punto 2.1 de este captulo.
1.1. Hiptesis de valoracin: enfoque general
A continuacin se recogen los requisitos de valoracin para activos, provisiones
tcnicas y otros pasivos. En lneas generales, se siguen los mismos principios
que en el QIS2, si bien se lleva a cabo una mayor sistematizacin y un mayor
detalle en cada uno de los puntos abordados.
Activos
Deben valorarse de acuerdo con su valor de mercado. Si se dispone de precios
tomados de mercados profundos y lquidos, entonces el valor de los activos
ser el referido a esos precios. Las posiciones largas se valorarn segn precio
de compra -bid price- mientras que las cortas se harn segn el precio de venta
-ask price-88.
87
La informacin referida al QIS3 est contenida en varios documentos, siendo los principales:
QIS3: Technical Specifications. Part I: Instructions (CEIOPS-FS-11/07)
QIS3: Technical Specifications. Part II: Background Informations (CEIOPS-FS-12/07)
QIS3: Calibration of the underwriting risk, market risk and MCR (CEIOPS-FS-14/07)
QIS3: Calibration of the credit risk (CEIOPS-FS-23/07).
88
En toda cotizacin existen siempre dos precios: el bajo o bid, que es al que la entidad cotizante
est dispuesta a comprar -y por tanto, el que indica el importe que se lograra por la venta de un
activo - y el alto o ask, que es al que la entidad cotizante est dispuesta a vender -y por tanto, el
que indica el importe que habra que pagar por la compra de un activo-.
145
Si el precio de mercado es observable pero poco creble debido a razones de

escasa liquidez, entonces se deberan usar aproximaciones a la valoracin. Si
el precio no est en absoluto disponible, se deber disponer de algn
mecanismo de valoracin que sea coherente con alguna informacin de
mercado.Los activos ilquidos o no negociables se debern valorar con
prudencia teniendo en cuenta la reduccin de valor que suponen los riesgos de
crdito y liquidez que llevan incorporados. En concreto, en ausencia de
evidencia suficiente:
el valor de esos activos no debera ser superior al de su adquisicin

minorado por el margen de beneficio cargado por el vendedor y por la
depreciacin debida al uso u obsolescencia y
activos intangibles, mobiliario, equipos elctricos, informticos y similares
con un significativo riesgo de depreciacin deberan valorarse a cero.
Provisiones tcnicas: aspectos generales

En este caso deber distinguirse entre riesgos susceptibles de cobertura de los
que no lo son. En caso de duda, se seguir el esquema previsto para los
segundos, es decir, la suma del mejor estimador -ME- ms un margen de
riesgo -MR-. Como ocurriera con el QIS2 no se aceptan reducciones en las
provisiones tcnicas por motivos de calidad crediticia del asegurador. Se
entiende por riesgos con cobertura aqullos cuyos flujos pueden ser replicados
mediante instrumentos financieros negociados en mercado suficientemente
profundos. Para el resto de los casos, la valoracin se realizar sumando al
mejor estimador el margen de riesgo calculado segn el enfoque del coste del
capital.
El ME es el valor presente esperado de los potenciales flujos de caja futuros
obtenidos a partir de la informacin disponible y de las hiptesis utilizadas.
Deber evaluarse usando, al menos, dos mtodos diferentes que sean
considerados apropiados, eligindose el ms adecuado de ellos. Se entiende
que el ms apropiado es el que mejor recoge la naturaleza del pasivo. Para su
clculo se deber tener en cuenta todos los flujos futuros potenciales que se
puedan producir para hacer frente a los compromisos con los tomadores. Se
deber utilizar un horizonte temporal que capture todos los flujos de caja del
contrato o grupo de contratos. Si no fuera as, la aseguradora deber garantizar
que este hecho no afecta significativamente a los resultados. Para la obtencin
del ME se debern tener en cuenta los siguientes elementos:
a)
Hiptesis para el clculo:

Han de ser realistas y basadas en la experiencia de la empresa respecto
de la distribucin de probabilidad de cada factor de riesgo, si bien se ha
de tener en cuenta datos del entorno si la experiencia propia es escasa o
poco creble. Los flujos de caja debern recoger los desarrollos esperados
de tipo legal, mdico, tecnolgico, social o econmico. Se deber tener en
cuenta la evolucin prevista de la inflacin.
146
b)
Descuento de flujos:
Los flujos de caja se descontarn a la tasa libre de riesgo disponible en el
momento de la valoracin correspondiente al plazo al cual se espera que
se produzca ese flujo. Para QIS3, CEIOPS facilitar informacin sobre
tipos de inters del euro, dlar americano, yen japons y franco suizo. Si
se necesitara informacin de otras monedas se tomarn siempre el tipo
de inters libre de riesgo correspondiente al vencimiento. A veces se
podrn utilizar los tipos de la curva swap.
c)
Gastos:
Se debern incorporar en el clculo todos los gastos en que est previsto
incurrir para hacer frente a los compromisos pactados con los tomadores.
En concreto:
gastos de administracin futuros, comisiones, gastos por siniestros y
una parte de los gastos generales. Se deber considerar la inflacin
que puedan sufrir estas partidas.
gastos relacionados con futuros depsitos o primas.
d)
Impuestos
Todos aquellos necesarios para cumplir con las obligaciones con los
tomadores. Los clculos tambin habrn de incluir aquellas situaciones en
las que est aprobado pero no puesto en marcha un cambio fiscal.
e)
Reaseguro
El ME se calcular bruto y neto de reaseguro -en este caso, se supone
que la reaseguradora no va a quebrar-. Se deber tener en cuenta la
divergencia entre los momentos del pago del siniestro y el de la
recuperacin de fondos procedentes del reasegurador.
f)
Primas futuras de contratos vigentes

Todos aquellos que excedan el nivel necesario para afrontar las
obligaciones de un contrato no se tendrn en cuenta. Si un contrato
incluye opciones o garantas que otorgan derechos al tomador, debern
ser tenidas en cuenta.
Por lo que se refiere al MR, se usar la metodologa del coste de capital, si bien
se aceptan metodologas distintas para los ramos de no vida con distribuciones
de probabilidad que presenten colas largas. Se asume un coste del capital
equivalente al tipo libre de riesgo ms un margen de 600 puntos bsicos. Para
llevar a cabo la evaluacin del MR se distinguir entre el clculo del SCR del
primer ao del correspondiente a aos posteriores. Los riesgos incluidos en su
clculo sern:
147
para el ao 1 los riesgos de mercado, de crdito y el de primas, si bien

este ltimo se excluir en los sucesivos SCR.
para los aos 2 y siguientes, nicamente los riesgos tcnicos y operativos
ms el riesgo de impago por la contrapartida asociada al reaseguro.
Con respecto al SCR del primer ao, se deber calcular usando el modelo
general an cuando se tenga aprobado un modelo interno total o parcial. No
obstante, se pueden comunicar adicionalmente los resultados logrados con el
modelo interno. El clculo se har diferenciando entre distintos ramos o entre
distintos grupos homogneos de riesgo -a partir de ahora, GHR89-. As, cada
SCR ir acompaado de dos subndices: el primero har referencia al ao y el
segundo al ramo o GHR. Las entidades podrn usar el procedimiento que
juzguen ms oportuno para dividir la cantidad obtenida por el margen de riesgo
entre los distintos SCRij. No obstante, si el mecanismo es distinto al propuesto
por el CEIOPS debern indicar porqu lo encuentra ms adecuado. Los
sistemas propuestos por CEIOPS son los siguientes:
Sistema 1
Para el ao 1, SCR1j / j = 1,2,..k se obtiene proporcionalmente a la cantidad que
se calculara debida al riesgo tcnico distinto al de catstrofe -SCRrtdc1j-. Se
usar igual sistema para aos siguientes salvo que se utilicen aproximaciones
al SCR para las cuales se proponen los siguientes mecanismos:
Seguros no vida:
teniendo en cuenta las distintas unidades de riesgo, los SCR o sus
aproximaciones se debern repartir entre ellas. Se sugieren tres posibles
metodologas:
Metodologa 1:
Para aos posteriores al primero (i = 2,3...) los SCR asociados a cada
unidad de riesgo (j = 1,2,..k) se calcularn usando los ME obtenidos para
cada ao y unidad -MEij- de la forma:
ME ij
SCRij = SCR1 j
i = 2,3... j = 1,2,..., k
ME1 j
Metodologa 2:
Al igual que en la anterior, los SCRij se obtienen a partir de los MEij pero:
la cantidad de capital debida al riesgo de reservas asociado al riesgo
tcnico de no vida se obtiene directamente siguiendo las
especificaciones de la frmula general usando la mejor estimacin
de la provisin como medida de volumen.
la cantidad de capital asociada al riesgo operacional se obtiene
usando la mejor estimacin de la provisin como medida de volumen.
89
A los efectos de QIS3, se entiende por tal al conjunto de contratos con iguales o similares
caractersticas de riesgo, tales como, duracin del seguro, coberturas por enfermedad, rentas, etc.
148
las cantidades de capital asociadas a los riesgos de contrapartida y

concentracin se obtienen de acuerdo al mtodo que se recoge en la
seccin 3.
El SCR global se obtiene por combinacin de las cantidades asociadas a
estos riesgos agregados segn se indica en la frmula general del SCR.
Metodologa 3:
Cualquier otro mtodo que para un determinado ramo o grupo de riesgo
se considera apropiado.
Seguros de vida:
Segn el riesgo considerado se proponen las siguientes aproximaciones:
RIESGO
Mortalidad
Longevidad
Discapacidad
Suspensin
Gastos
Revisin
Catstrofe:
- Aumento en las tasas de mortalidad /
discapacidad
- Aumento en la tasas de suspensin
- Riesgo tcnico en salud
APROXIMACIN
Capital en riesgo
Mejor estimador
Capital en riesgo
Diferencia positiva entre el
mejor estimador y valor de rescate
Gastos anuales
Mejor estimador
Depende del suceso catastrfico
considerado en el SCR general
Capital en riesgo
Diferencia positiva entre el
mejor estimador y valor de rescate
Gastos esperados, corregidos por la
inflacin
Sistema 2:
El SCR se calcula como la suma de las distintas cantidades asociadas a cada
uno de los riesgos analizados, para lo cual se supone que cada elemento del
activo est asociado a un determinado riesgo.
Provisiones tcnicas de vida
Las plizas se clasificarn de acuerdo al siguiente esquema:
contratos con clusulas de participacin en beneficios
contratos en los que el tomador asume el riesgo de inversin
otros contratos sin clusula de participacin en beneficios
reaseguro aceptado
A su vez cada uno de ellos se desagregar como:
Seguros de muerte
Seguros de vida
149
Seguros de discapacidad / enfermedad

Productos de ahorro
Se espera que las provisiones tcnicas se calculen a partir de GHR.

Para el clculo del ME los factores de riesgo a considerar sern, al menos, los
siguientes:
Tasas de mortalidad
Tasas de morbilidad
Tasas de discapacidad
Tasas de suspensin
Tasas de conversin -take-up options Hiptesis sobre gastos
Se tendrn en cuenta los siguientes aspectos:
no se tomar como valor de mercado de un pasivo el asociado al valor de

rescate
el mejor estimador tendr en cuenta la existencia de opciones o garantas

contra la aseguradora
aunque el punto de partida es la valoracin individual de las plizas, se

pueden realizar agregaciones de acuerdo a mtodos actuariales
razonables
tambin se deber considerar la existencia de opciones que permitan al

tomador cambiar las condiciones de su contrato
decisiones futuras por parte de la direccin de la compaa en temas tales

como asignacin de activos, cambios en las tasas de beneficios
extraordinarios o cambios en los productos
En cuanto a la distribucin de beneficios se deber tener en cuenta lo
siguiente:
las provisiones tcnicas incluirn las cantidades asociadas a beneficios
garantizados y a beneficios a repartir segn estatutos y por distribucin
discrecional -tanto legales como optativos-.
se deber incluir cualquier restriccin legal o condicin que aparezca en el
clausulado de las plizas.
siempre que las aseguradoras distingan entre distintos tipos de pliza o
grupos de riesgo, se deber tener en cuenta.
la valoracin de los beneficios extra deber ser coherente con el ROA Return on Assets- futuro asumido para respaldar los compromisos.
las reservas destinadas a cubrir prdidas y que no sean para repartir
entre tomadores no se incluirn en el clculo de la cifra de provisiones
tcnicas.
Por lo que se refiere a productos ligados a otros activos o a ndices -unit o
index-linked- se deber elaborar una proyeccin de flujos que se valorar de
acuerdo al mercado, debindose considerar todos los flujos asociados al
producto tales como gastos, indemnizaciones por muerte o cargas susceptibles
de recepcin por el asegurador.
150
En cuanto a los seguros de salud las proyecciones de flujos debern tener en

cuenta la posible evolucin de la inflacin asociada a los siniestros y la
asociada a las primas.
Por lo que se refiere al coste de opciones y garantas incorporadas en las
plizas, se valorarn de forma coherente con el mercado y se considerarn
tanto su valor intrnseco como su valor temporal. Si el coste de esas opciones
lo soporta la aseguradora entonces la proyeccin futura de tales costes deber
realizarse de forma separada a la del resto de los costes. Si las opciones se
valoran usando un modelo estocstico de activos deber calibrarse conforme a
la estructura de tipos de inters libres de riesgo. La volatilidad relevante en la
valoracin de las provisiones tcnicas es la implcita en cada uno de los
instrumentos financieros que estn incorporados en ellas.
Provisiones tcnicas de no vida
Se utilizar la siguiente divisin por ramos que se recoge en el artculo 63 de la
Directiva 91/674/CEE, del Consejo sobre cuentas anuales y consolidadas de
entidades aseguradoras:
Accidentes y enfermedad:
pensiones de trabajadores
seguro de salud
otros
Automvil, responsabilidad civil
Automvil, otros ramos
Incendio y otros daos a los bienes
Responsabilidad civil
Crdito y caucin
Defensa jurdica
Asistencia
Varios
Por lo que se refiere al tratamiento del reaseguro se realizar de la siguiente

manera:
Facultativo y proporcional: igual que en el seguro directo en los ramos

anteriores
No proporcional que se dividir en:
propiedad
personas
martimo, areo y transporte
De forma general, cuando sea posible, se deber distinguir entre la provisin
por siniestros pendientes y la provisin de primas.
Como anteriormente, tambin se deber distinguir entre ME y MR. En cuanto al
ME, la valoracin de las provisiones se deber realizar a partir de la
151
segmentacin anteriormente sealada si bien sera deseable que, adems, se

hiciera a partir del uso de GHR. Se debern usar mtodos estadsticos
compatibles con la mejor prctica actuarial y considerar en el anlisis todos los
factores que pudieran tener impacto sobre los siniestros futuros esperados, lo
cual supone el uso de tringulos de liquidacin -run off-. En caso de usar esta
herramienta o alguna de tipo actuarial se deber indicar cul. Se deber indicar
cundo y porqu se hace una valoracin pliza a pliza. No obstante, y a
efectos de rellenar el QIS3, se admiten ciertos mtodos aproximados de
clculo. En concreto, se acepta como proxy de la suma del mejor estimador
ms el margen de riesgo la suma de las provisiones de primas no consumidas unearned- y la de riesgos en curso -unexpired risks-. Sin embargo, en este
caso las aseguradoras debern efectuar el llamado test de idoneidad de
compromisos90-a partir de ahora, TIC- para comprobar que estas
aproximaciones no conducen a acumular unos importes inferiores a los que se
necesiten para hacer frente a los compromisos y gastos asociados. Si del TIC
se obtiene que los gastos esperados son superiores a las primas no cobradas,
entonces la provisin de primas deber aumentarse. Pero si el TIC tiene un
resultado positivo, entonces la provisin de primas se mantendr en el nivel de
las primas no cobradas y el excedente puede engrosar el capital si se dan los
requisitos necesarios para ello. QIS3 propone una metodologa alternativa para
llevar a cabo el TIC que se ilustra en el ejemplo que aparece a pie de pgina91.
Para el caso de las provisiones para gastos posteriores a la ocurrencia del
siniestro, la aseguradora tiene una doble fuente de riesgo en los importes y en
la fecha en que habra de pagarse esas cantidades.
En el caso en el que exista una baja incertidumbre en ambas fuentes de riesgo
-generalmente en siniestros pagados en el corto plazo- se pueden considerar
como aproximaciones del mejor estimador tanto el resultado de las
valoraciones individuales -caso a caso- como el obtenido por el uso de
mtodos estadsticos siempre que se haya comprobado que el uso de stos
produce resultados consistentes con los reales.
90
El nombre con el que este mtodo aparece en los documentos del QIS3 es Liability adequacy test.
91
Sea una compaa que emite tres plizas al ao, todas ellas por renovacin de contrato, los das 1
de abril, julio y octubre. Sus importes son, respectivamente, 1.200, 2.400 y 4.800 euros. Por tanto,
las primas devengadas hasta el final del ejercicio -suponiendo que sea el 31 de diciembre- son:
9
6
3
1.200
+ 2.400
+ 4.800
= 3.300
12
12
12
quedando para el ao prximo el resto, es decir, 5.100 .
Por lo que se refiere a los gastos y siniestros relacionados, se supone que:
los referidos a fechas anteriores a la renovacin son iguales a cero
los referidos a lo que queda de ao son 1.000, 0 y 3.000 respectivamente, que suman un
total de 4.000 .
Es decir, durante este ao se ha producido un desfase negativo de 3.300 - 4.000 = 700 ,
equivalente a un 21,21% de las primas devengadas. De seguir esta proporcin entre primas y
siniestros hara falta una provisin equivalente a las primas no cobradas a la que habra que aadir
un 21,21% extra. Es decir, hara falta dotar por 5.100 1,2121 = 6.182 .
152
Para aqullos en los que existe una alta incertidumbre, el mejor estimador
deber calcularse a partir de mtodos actuariales basados en tringulos de
liquidacin -run off triangles-.
Por lo que respecta al MR, y tal y como se ha indicado anteriormente, la
metodologa propuesta del coste del capital puede sustituirse por otra en los
casos de distribuciones de cola larga en los ramos de no vida. En ese caso, se
deberan describir los mtodos utilizados. Como en el caso del mejor
estimador, tambin aqu se admiten aproximaciones. En este caso, se
considera que el importe asociado al margen de riesgo es un porcentaje del
mejor estimador, que ser mayor cuanta mayor sea la volatilidad de la
provisin. As:
ser un 20% para aqullos con elevada variabilidad. Valgan como

ejemplos las provisiones para responsabilidad civil -excepto autos-,
catstrofes o para el reaseguro aceptado no proporcional
ser un 10% para aqullos con variabilidad media, como por ejemplo, la
responsabilidad civil de vehculos o incendios
ser un 5% para las de baja variabilidad.
Otra posible solucin consiste en el uso de la metodologa propuesta por el

CEA92 para aquellos casos en los que la aseguradora no sea capaz de calcular
la secuencia de SCR hasta la liquidacin final93.
Otros pasivos
Todas aquellas partidas que sean negociables en mercados profundos y
lquidos sern valoradas a los precios fijados en esos mercados. En los casos
en los que sto no sea posible, se valorar a partir de la estimacin del valor
actual de los flujos futuros considerando en el clculo todo aqullo que pueda
afectar a tales flujos.
Al igual que en las provisiones tcnicas, no se aceptan modificaciones en el
valor debidas a la calidad crediticia de la aseguradora.
92
CEA (2006): CEA Document on Cost of Capital, Brussels, 21st April 2006.
93
En este caso, se propone el uso de la siguiente expresin:

DP r
MR =
SCR0coc
(1 + r ) DP
DP es la duracin del pasivo, r es el tipo de inters libre de riesgo y SCR0coc es el SCR en el
instante actual asociado a los riesgos no susceptibles de cobertura. As, si la duracin estimada del
pasivo es de 6 aos, el tipo libre de riesgo es del 4,25% y SCR0coc es igual a 100, entonces el
valor de mercado del margen de riesgo ser:
6 0,0425
MR =
100 = 19,86
1,0425 6
153
1.2. Clculo del capital elegible

El capital se agrupar en tres niveles -Tier 1, 2 y 3-.
Nivel 1: se constituirn con los siguientes elementos:
acciones totalmente liberadas

capital totalmente desembolsado
beneficios retenidos
pasivos subordinados que posean caractersticas de subordinacin,
absorcin de prdidas en situacin de quiebra y en normal funcionamiento
y que posean las atribuciones de perpetuidad, ausencia de incentivos o
exigencias para reembolsar el principal y ausencia de costes financieros
obligatorios.
Nivel 2: se constituir con los siguientes elementos:
pasivos subordinados que posean caractersticas de subordinacin,

absorcin de prdidas en situacin de quiebra y que posean las
atribuciones de perpetuidad, ausencia de incentivos o exigencias para
reembolsar el principal y ausencia de costes financieros obligatorios.
lneas de crdito y garantas concedidas por instituciones autorizadas
segn la Directiva sobre acceso a la actividad bancaria94 y mantenidas en
depsito por un depositario independiente siendo el beneficiario los
acreedores de la compaa.
otros capitales contingentes que tengan las caractersticas de
subordinacin, absorcin de prdidas en situacin de quiebra y de normal
funcionamiento, perpetuidad, ausencia de exigencias e incentivos a
reembolsar el principal y ausencia de costes financieros obligatorios, de
entre los siguientes instrumentos financieros:
acciones no desembolsadas
lneas de crdito y cualquier otro compromiso que se pueda recibir
aportaciones suplementarias.
Nivel 3: se constituir con los siguientes elementos:
pasivos subordinados no incluidos en el nivel 2 y

capitales contingentes no incluidos en el nivel 2.
2. FRMULA ESTNDAR DEL SCR EN QIS3

En este apartado se explicarn las frmulas para calcular, en funcin del QIS3
de los siguientes conceptos: SCR global, el asociado a: el riesgo de mercado,
94
Directiva 2006/48/CE, del Parlamento Europeo y del Consejo, de 14 de junio de 2006, relativa al
acceso a la actividad de las entidades de crdito y a su ejercicio.
154
la quiebra de la contrapartida reductora de riesgo, al riesgo tcnico de vida, al

riesgo tcnico de salud, al riesgo tcnico de no vida y, por ltimo, el riesgo
catastrfico de no vida -NVCAT-.
2.1. Clculo del SCR global
Como ocurriera en el QIS2, se ha seguido con una estructura modular, es
decir, a partir de las cifras asociadas a ciertos riesgos se ha obtenido mediante
agregacin la cifra final de capital requerido a las circunstancias del negocio de
cada empresa aseguradora. Para QIS3, el esquema propuesto es el siguiente:
Fuente: QIS3 Technical Specifications. Part I: Instructions
Como se puede apreciar, se han introducido algunas diferencias con respecto

al esquema propuesto en el CP 20, en concreto son las siguientes:
la cifra final, SCR, se obtiene nicamente como la suma de la cifra bsica

de capital, SCRB, ms la correspondiente al riesgo operacional -SCROP-.
Es decir, se elimina en el cmputo del capital exigido los resultados
esperados en el negocio de no vida, BP_NV.
dentro del mdulo correspondiente al negocio de vida se incorpora un
nuevo subriesgo, que es el correspondiente al riesgo de revisin, SCRrev.
155
el riesgo que anteriormente se denominaba especial (y que ahora se le

denomina de salud) se subdivide en tres subriesgos: gastos, siniestros /
mortalidad / cancelacin y epidemia / acumulacin
de forma general, el ajuste debido al reparto de beneficios futuros se hace
a nivel de subriesgo y no de riesgo como se propona en el CP 20.
Por tanto, el SCR se obtiene como la suma del importe asociado al SCR bsico
-SCRB- y del capital asociado al riesgo operativo -SCROP-: SCR = SCRB +
SCROP
SCROP.
Recoge las prdidas debidas a procesos internos inadecuados, personal,
sistemas o sucesos externos. Incluye tambin el riesgo legal pero no el
asociado a las prdidas en la reputacin o a malas decisiones estratgicas. Se
obtiene como95:
0,03 PBV + 0,02 PBNV + 0,02 PBS ;

SCRop = min OPcoef SCRB; max
0,003 PTV + 0,02 PTNV + 0,002 PTS
siendo:
OPcoef = coeficiente igual a 0,3
PBi
= primas brutas devengadas en el ramo i-simo
PTi
= provisiones tcnicas brutas del ramo i-simo.
En ambos casos, i = V, NV, S para vida, no vida y salud respectivamente.
SCRB.
Se obtiene como:
SCRB = SCRB SCRB min KC KC ; BFD
siendo:
SCRB = vector que recoge los capitales exigidos asociados a cada uno de los
riesgos individuales necesarios para el clculo del SCRB
KC = vector que recoge el efecto de la reduccin de riesgo en cada SCR individual
BFD = cantidad total en las provisiones tcnicas correspondientes a los
beneficios futuros discrecionales
95
Aunque no se incluye en la frmula, se exige que los participantes en el QIS3 faciliten la siguiente
informacin relativa al negocio unit-linked:
total de primas brutas devengadas
provisiones tcnicas brutas
total de primas brutas devengadas asociadas a contratos en los que el reparto de gastos de
gestin no supere los cinco aos
provisiones tcnicas brutas asociadas a contratos en los que el reparto de gastos de gestin
no supere los cinco aos
gastos administrativos netos asociados a esta actividad asociados a contratos en los que el
reparto de los gastos no supere los cinco aos.
156
Los riesgos individuales incluidos en el clculo del SCRB son:

mercado -MDO impago -def tcnico de vida -V tcnico de no vida -NV tcnico de salud -S-.
Por su parte, es la matriz de correlaciones entre los riesgos considerados y
es igual a:
SCRMDO
SCRdef
SCRV
SCRNV
SCRS
SCRMDO
1
0,25
0,25
0,25
0,25
SCRdef
0,25
1
0,25
0,25
0,50
SCRV
0,25
0,25
1
0,25
0
SCRNV
0,25
0,25
0,25
1
0
SCRS
0,25
0,50
0
0
1
2.2. SCR asociado al riesgo de mercado -SCRMDOEste mdulo se compone de seis submdulos:
capital asociado al riesgo por tipo de inters -MDOint capital asociado al riesgo por inmuebles y propiedades -MDOprop capital asociado al riesgo por renta variable -MDORV capital asociado al riesgo por diferencial -MDOsp capital asociado al riesgo por concentracin de riesgo -MDOconc capital asociado al riesgo por tipo de cambio -MDOfx-.
En cada uno de ellos hay que calcular su SCR correspondiente y la parte
correspondiente al efecto de la reduccin del riesgo debida a repartos futuros
de beneficios, KC. En este ltimo caso, el KC correspondiente al riesgo de
concentracin es cero. La expresin para su clculo es:
SCR MDO = MDO MDO MDO
y
KC MDO = KC MDO KC
siendo MDO igual a:

MDOint
MDORV
MDOprop
MDOsp
MDOconc
MDOint
1
0
0,50
0,25
0
MDORV
0
1
0,75
0,25
0
MDOprop
0,50
0,75
1
0,25
0
MDOsp
0,25
0,25
0,25
1
0
MDOconc
0
0
0
0
1
MDOfx
0,25
0,25
0,25
0,25
0
157
MDOfx
0,25
0,25
0,25
0,25
Por lo que se refiere al ajuste o calibracin de los parmetros que se utilizan en

este mdulo se han seguido las siguientes hiptesis de comportamiento:
1)
2)
3)
4)
enfoque econmico: uso de datos histricos referidos a tipos y precios de

mercado
VaR como medida de riesgo utilizada
nivel de confianza del 99,5%
horizonte temporal de un ao
2.2.1. Riesgo asociado a los tipos de inters -MDOintPor lo que se refiere a la calibracin de este riesgo, los factores de tensin para
evaluar los cambios en los tipos de inters se han modulado a partir de las
siguientes fuentes estadsticas:
tipos cupn cero alemanes correspondientes a ttulos desde un ao de
vida residual hasta los 10 aos, disponibles desde 1972, con frecuencia
mensual -Fuente: Bundesbank tipos cupn cero de los IRS en euros, vencimientos a 1, 5, 10, 20, 25 y 30
aos, disponibles desde 1977, con frecuencia diaria -Fuente: DatastreamPara recoger el comportamiento de los tipos se ha usado la distribucin
lognormal al observarseo que los cambios en trminos absolutos son mayores
cuanto mayor es el nivel de los tipos. Por tanto, el tipo a n aos para el
horizonte de 12 meses se recoge en:
R12 (n ) = R 0 (n ) e X / X N ( , )
Cuando y tiende a cero, entonces: lim ln (1 + y ) y , por lo que se puede
y 0
escribir:
R12 (n ) R 0 (n ) R12 (n ) R 0 (n )
R12 (n )
= ln 1 +
X = ln
R 0 (n )
R 0 (n )
144
R 0 (n )
2443
y
Las volatilidades -desviaciones tpicas- analizadas por vencimientos y

expresadas en forma anual, se recogen en la siguiente tabla junto con los
factores de tensin96:
96
Pongamos como ejemplo de cmo se calculan los factores de tensin los correspondientes al plazo
R (2 )
de dos aos. Como ln 12 N ( , ) , entonces:
R 0 (2 )
R (2 )
ln 12 = + / N (0,1) .
R 0 (2 )
158
Vencimiento
D.T. 1
D.T. 2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
27%
23%
21%
20%
19%
17%
17%
16%
15%
15%
20%
21%
Factor de
subida
0,94
0,77
0,69
0,62
0,56
0,52
0,49
0,46
0,44
0,42
0,42
0,42
0,42
0,42
0,42
0,41
0,40
0,39
0,38
0,37
0,37
0,37
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
17%
14%
14%
12%
12%
12%
Factor de
bajada
-0,51
-0,47
-0,44
-0,42
-0,40
-0,38
-0,37
-0,35
-0,34
-0,34
-0,34
-0,34
-0,34
-0,34
-0,34
-0,34
-0,33
-0,32
-0,31
-0,31
-0,31
-0,31
-0,31
-0,31
-0,31
-0,31
-0,31
-0,31
-0,31
-0,31
Nota: D.T. 1 se obtiene a partir de los datos mensuales y D.T. 2 de los diarios
Adems de evaluar los cambios en los tipos del euro, el anlisis se ha

efectuado tambin para las divisas de los pases de la UE que no pertenecen a
Para una probabilidad del 99,5%, = 2,58. Si = 0,22 y, por falta de informacin, suponemos que
= 0, entonces:
R (2 )
R (2)
ln 12 = 2,58 0,22 = 0,5676 12
= e 0,5676 = 1,76
(
)
2
R
R 0 (2)
0
es decir, R12(2) = 1,76 R0(2) 1,76 = 1 + ssubida s = 0,76.

Para las bajadas:
R (2 )
R (2 )
ln 12 = 2,58 0,22 = 0,5676 12
= e 0,5676 = 0,5668
R 0 (2 )
R 0 (2)
es decir, R12(2) = 0,57 R0(2) 0,57 = 1 + sbajada s = -0,43
siendo ambas cifras similares a las que aparecen en la tabla recogida ms arriba.
159
la zona de la moneda comn, en concreto, para la corona danesa -DEK-,

corona sueca -SEK- y para la libra esterlina -GBP-. Para estos anlisis se
utilizaron los tipos IRS cupn cero para los vencimientos a 2, 5, 10, 20 y 30
aos, comenzando la muestra en 1997. Las desviaciones tpicas obtenidas se
recogen en la siguiente tabla:
Divisa
EUR
DEK
SEK
GBP
2 aos
21%
19%
18%
15%
5 aos
17%
16%
17%
14%
10 aos 20 aos 30 aos

14%
12%
12%
14%
13%
13%
14%
--13%
13%
13%
Fuente: datos diarios 1997-2006 tomados de Datastream
Excepto en el caso de la esterlina a corto plazo, los resultados son coherentes

con los de la zona euro. No obstante, en todos los casos, las volatilidades se
reducen conforme aumenta el plazo.
A partir del uso de estos datos y de las hiptesis de comportamiento seguido, el
capital asociado a este riesgo se calcula como:
MDOint = max{0; VANsubida ; VANbajada }

siendo VAN el cambio en el valor neto de los activos por modificaciones en
los tipos de la estructura temporal de tipos de inters. Las modificaciones de
tipos se obtienen como:
(t ) = r [1 + ssubida (t )]
rsubida
(t ) = r 1 + sbajada (t )
rbajada
Por su parte, KCint se calcula como la diferencia entre:

resultados de los escenarios anteriores suponiendo que no se modifican
las tasas futuras de reparto de beneficios y
resultados de los escenarios anteriores suponiendo que s se modifican
las tasas futuras de reparto de beneficios.
2.2.2. Riesgo asociado a la renta variable -MDORVEste riesgo afecta al valor de los activos en renta variable que cotizan en un
mercado y se ocupa del riesgo sistemtico o no diversificable. En todo el
clculo se supone que el riesgo sistemtico de la cartera de la aseguradora es
el mismo que el del ndice de referencia. Por tanto, el beta de la cartera es uno.
Para el ajuste de los parmetros de este riesgo se ha modificado ligeramente el
esquema seguido para el QIS2. A diferencia de lo realizado entonces, el nivel
de atomizacin es superior. Este riesgo se divide en dos partes:
la primera contiene renta variable invertida en ndices de pases

desarrollados y
160
la segunda contiene renta variable invertida en el resto de posibles

destinos (emergentes, acciones no cotizadas o inversiones alternativas).
Los datos utilizados son los referidos al rendimiento total logrado con el ndice
MSCI de mercados desarrollados para el periodo 1970-2005 -datos
trimestrales-. Este ndice recoge los correspondientes a 23 pases desarrollados en donde el peso de cada pas se obtiene a partir de su capitalizacin.
Para calcular el rendimiento total se supone que los dividendos se reinvierten
en el ndice el da en el que el ttulo cotiza neto de dividendo.
Se supone que los rendimientos se miden en trminos nominales y que estn
recogidos netos del riesgo de cambio, es decir, se registran los rendimientos
obtenidos con el uso de coberturas en divisa. Como primera aproximacin, se
supuso que los rendimientos seguan una distribucin normal. Sin embargo, el
hecho de que la distribucin estuviera sesgada y la existencia de una amplia
cola derecha sugera modificar este planteamiento mediante el uso de tcnicas
tales como la estimacin log-lineal o el uso de la teora de valores extremos.
Los resultados fueron los siguientes:
Desviacin tpica
VaR al 99,5% con distribucin normal y media aritmtica
VaR al 99,5% con distribucin normal y media geomtrica
VaR al 99,5% con distribucin log-lineal
VaR al 99,5% con distribucin de Gumbel
16,9%
-32,0%
-33,4%
-34,3%
-34,6%
Fuente: QIS3. Calibration of the underwriting risk, market risk and MCR
Es decir, tras la correccin de las colas, el VaR al 99,5% se sita cercano al

35% que es el valor del impacto utilizado en esta simulacin.
En cuanto al nivel de atomizacin, los resultados sugieren que a mayor
diversificacin de cartera, menor shock tal y como recoge la siguiente tabla:
Regin
Intervalo
Frecuencia
VaR al 99,5% con normal
VaR al 99,5% con log-lineal
VaR al 99,% con Gumbel
Global
1970-2006
Trimestral
-33%
-34%
-35%
Europa
1970-2006
Trimestral
-38%
-38%
-36%
Global
sin Europa
1970-2006
Trimestral
-34%
-34%
-35%
Para clcular el capital asociado a este riesgo se consideran los siguientes

ndices:
Nmero ndice
1
Global
Otro, que recoge mercados emergentes,
2
empresas no cotizadas o inversiones alternativas97
97
Tales como hedge funds, derivados, inversiones en SPV o CDO -Special Purpose Vehicle y
Collateralized debt obligations respectivamente- en su tramo de capital, el cual suele carecer de
rating.
161
El clculo consta de dos fases:
1 fase: se calcula la cantidad de capital asociada al riesgo debido a cada

ndice como:
MDORV , i = max VANimpactoi ;0
en donde impactoi es la cada prevista en el valor del ndice i-simo. Los

escenarios de cada propuestos son de un 32% para el ndice global y de
un 45% para otros ndices.
2 fase: una vez calculadas las cantidades individuales, se agregan a

partir de la siguiente expresin:
MDORV = MDO ndices MDO
siendo ndices igual a:
Global
Otro
Global
1
0,50
Otro
0,50
1
Por su parte, KCRV se calcula como la diferencia entre:

Uno de los aspectos ms controvertidos en el del diseo del modelo es el del

ajuste del coeficiente de correlacin entre el riesgo asociado a los tipos de
inters y el correspondiente a la renta variable que en el QIS2 se fij en 0,75.
El objetivo es calcular un coeficiente que sea coherente con los resultados que
se obtienen al calcular el VaR al 99,5%. Para ello se utilizaron los siguientes
datos:
para la renta variable: ndice MSCI para mercados desarrollados, con

frecuencia anual, con origen en 1972 y
para los tipos de inters: los tipos de cupn cero de bonos alemanes a
diferentes plazos, con frecuencia anual y origen en 1972.
Las hiptesis sobre las que se sustenta el clculo son las siguientes:
la cartera tiene un 70% de renta fija y un 30% de renta variable

la duracin corregida del pasivo supera en 10 aos a la del activo
los rendimientos de la cartera as construida siguen una distribucin
normal cuyos parmetros son:
media aritmtica = 7,6%
media geomtrica = 7,1%
162
desviacin tpica = 9,8%

Por tanto, el VaR al 99,5% para la media geomtrica ser:
VaR = 7,1% - 2,58 9,8% 18%

y se ser el SCR asociado a estos riesgos en esta cartera. Para calcular el
coeficiente de correlacin entre ambos riesgos, que sea coherente con el
resultado anterior, es necesario realizar el siguiente clculo:
[SCRint
1
SCR RV ]
SCRint
= 18%
1 SCR RV
Por tanto, el primer paso es calcular los SCR individuales. As, para una cartera
de valor 100, se tiene que98, para la parte invertida en renta fija, SCRint es:
SCRint = V = V Dc r = 70 10 0,34r = 70 10 0,34 0,045 = 10,71

y la parte invertida en renta variable, SCRRV es:
SCRRV = V = V shock = 30 0,35 = 10,50

El 18% del valor de la cartera total es igual a 18. Por tanto, se debe cumplir
que:
[10,71
1
10,50]
10,71
= 18
1 10,50
Operando, se obtiene un valor para de 0,44. Como ilustracin, la siguiente

tabla muestra la relacin entre los distintos valores de y el SCR final tomando como valores de SCRint y SCRRV 10,71 y 10,50 respectivamente-:
0
1/4
1/2
3/4
1
SCR
15,00
16,77
18,37
19,84
21,24
Fuente: elaboracin propia
Sin embargo, este resultado es muy sensible tanto a la diferencia entre la

duracin del activo y del pasivo como a la composicin de la cartera, tal y como
98
Para estos clculos se usa un tipo de inters del 4,50% y una modificacin a la baja de los tipos del
34% tal y como se ha recogido en la explicacin de la calibracin del riesgo de tipos de inters y
una cada en el valor de la renta variable del 35%. Se toma una cada de tipos por ser la duracin
del pasivo superior a la del activo.
163
sugiere la siguiente tabla que recoge los valores de para diferentes

duraciones netas y composiciones de la cartera:
DP - DA
5
10
15
Porcentaje invertido en renta variable

25%
30%
35%
0,39
0,23
0,10
0,56
0,44
0,36
0,75
0,60
0,50
Para cada uno de los casos anteriores, el SCR asociado es el que se recoge
25%
30%
35%
DP - DA
5
12,97
13,43
14,09
10
17,91
18,00
18,35
15
24,47
23,89
23,57
Como se puede apreciar, su valor oscila entre 12,97 y 24,47. Por esta razn, es
por lo que se ha propuesto un valor igual a cero, con lo que el valor del SCR
para los valores de la tabla anterior, cifras con una menor oscilacin que en el
caso precedente anterior, son los siguientes:
DP - DA
5
10
15

25%
30%
35%
11,05
12,24
13,58
14,43
15,00
15,78
19,31
19,19
19,30
2.2.3. Riesgo asociado a inmuebles y propiedades -MDOpropSe obtiene como:
MDOprop = VANimpacto propiedades
en donde se supone un cada inmediata de un 20% en los precios de estos

activos. Por su parte, KCprop se calcula como la diferencia entre:

Para calibrar este riesgo se han tomado los datos de varios pases europeos.
En todos los casos se trata de informacin suministrada por los ndices IPD
referidos a inversin directa en inmuebles y con frecuencia anual. Los pases
164
utilizados junto con el intervalo muestral y el peso asignado a cada uno se

recoge en la siguiente tabla:
Pas
Holanda
Francia
Alemania
Suecia
Reino Unido
Intervalo
1977-2005
1998-2005
1996-2005
1997-2005
1971-2005
Peso
7%
14%
26%
6%
47%
Fuente: IPD
Se recogen rendimientos totales anualizados -ganancias de capital ms rentas

generadas-, basados en valoraciones realizadas por tasadores. A los rendimientos as calculados se les denomina suavizados porque los precios
obtenidos a partir de ellos presentan un perfil sin cambios bruscos a lo largo del
tiempo. El sistema de suavizado consiste en hacer una media ponderada entre
el rendimiento del ndice el ejercicio anterior - R t 1 - y el rendimiento observado
este ao en mercado -Rt-, es decir99:
R t = Rt + (1 )R t 1
En donde es el coeficiente de la regresin de los valores suavizados sobre
ellos mismos retardados. Los valores que se obtienen para en cada pas son:
Francia
0,4368
Alemania
0,1046
Holanda
0,4696
Suecia
0,5523
Reino Unido
0,6522
A partir de los pesos y los se obtienen las desviaciones tpicas para las tasas
suavizadas y sin suavizar. El VaR al 99,5% de cada pas se obtiene como la
tasa media menos 2,58 veces la desviacin tpica sin suavizar logrndose los
siguientes resultados:
Pas
Francia
Alemania
Holanda
Suecia
Reino Unido
Peso (%)
14
26
7
6
47
Media
10,5
3,6
9,4
9,9
12,4
D.T. sin suavizar

7,6
9,3
8,4
11,4
16,0
VaR
-8,92
-20,36
-12,20
-19,40
-28,87
Dado que las series utilizadas difieren en longitud entre ellas, para el clculo de
las covarianzas se utiliz el periodo comn entre ellas -1998 a 2005-. Por esta
99
Este sistema sigue la metodologa propuesta por Fisher, J. y D. Geltner en su artculo De-Lagging
the NCREIF Index:Transaction Prices and Reverse-Engineering. Real Estate Finance, 2000, 17(1):
722.
165
razn, en vez de calcular el VaR al 99,5% correspondiente a una cesta formada

por los cinco pases, se opt por tomar directamente el 20%100.
Tanto para este riesgo como para el anterior QIS3 presenta un mecanismo
alternativo de clculo basado en la permanencia en cartera de los pasivos.
Para este caso se necesita la siguiente informacin:
Duri
= Duracin de la cartera i-sima de contratos de seguros
Pasivoi = Importe de las obligaciones del tramo i-simo y del tipo j-simo
RVi
= Valor de mercado de las acciones que cubren la cartera i-sima
D
= Duracin del total de la cartera de pasivos por seguros
RVseg = Valor de mercado del capital que cubre los compromisos por
seguros
RVlibre = Valor de mercado del capital que no cubre los compromisos por
seguros
Es decir, los compromisos se dividen segn dos criterios:
tramo de duracin de los compromisos y
segn sean compromisos nominales o reales, en funcin de si dependen
de algn ndice especfico de inflacin
Con todo ello, la cantidad de capital asociada al riesgo de renta variable por la
va alternativa es:
MDORV , alternativo = max{VAN cada RV ;0}
Los porcentajes de cada en los precios de la renta variable van a depender del
tramo de duracin de los compromisos por seguros. Los tramos que se
sugierieron fueron los siguientes:
Tramo (aos)
Para RV
Para propiedades
0-2
36%
18%
2 -5
33%
17%
5 -10
23%
12%
> 10
13%
7%
2.2.4. Riesgo asociado al tipo de cambio -MDOfxPor lo que respecta la calibracin de este riesgo, las principales diferencias con
QIS2 son los siguientes:
las series utilizadas son ms largas
el anlisis de sensibilidad se hace no slo con euros sino tambin con
libras esterlinas
se evala el impacto de utilizar diferentes cestas
100
Si se calcula el VaR de la cesta como
VaR VaR siendo VaR el vector de valores
individuales y la matriz de correlaciones se obtiene que para el caso en el que exista total
independencia - = I-, el VaR conjunto es del 14,68% mientras que para el caso de la total
interrelacin - = matriz de unos- se obtiene un VaR del 22,13%. Estos resultados sugieren que
implcitamente se ha supuesto un elevado grado de interrelacin entre los cinco pases.
166
Los datos utilizados son los referidos a los tipos de cambio mensuales contra el
euro durante el periodo 1958-2006 de un grupo de divisas101. Con ellas se
forma una cesta cuyos pesos son los correspondientes a las posiciones
mantenidas por las instituciones financieras holandesas y son los mismos que
se utilizaron para calibrar el QIS2. Son los siguientes:
USD
35%
GBP
24%
ARS
13%
JPY
8%
SEK
7%
CHF
7%
AUD
6%
Se supone que los cambios relativos en el tipo de cambio del euro contra las
divisas siguen una distribucin normal. Las desviaciones tpicas anualizadas y
el VaR al 99,5% de cada cambio contra el euro y de la cesta en euros se
recoge en la siguiente tabla:
USD
JPY
SEK
CHF
GBP
AUD
ARS
Cesta
8,59%
8,91%
5,75%
5,55%
6,92% 10,70% 36,94%
6,73%
VaR -22,12% -22,96% -14,81% -14,29% -17,83% -27,55% -95,16% -17,34%102
Si se considera nicamente el periodo no regulado por los acuerdos de BrettonWoods -desde 1973- entonces el VaR se sita en el 20%. Este mismo ejercicio,
usando como moneda base la libra esterlina, ofrece los siguientes resultados:
USD
JPY
SEK
CHF
EUR
AUD
ARS
Cesta
9,03%
10,23%
8,00%
9,08%
7,04%
14,29%
37,16%
8,19%
VaR -23,25% -26,34% -26,61% -23,39% -18,14% -36,80% -95,71% -21,10%103
El ltimo ejercicio realizado consisti en la modificacin de los pesos que tienen

las tres divisas con mayor ponderacin de la siguiente forma. En el caso de la
esterlina y el dlar americano se cambi su ponderacin hasta el 50%,
mientras que en el caso del peso argentino se elev hasta el 20%. La situacin
opuesta consisti en la eliminacin de estas monedas de la cesta. Tanto en un
caso como en otro, el resto de las monedas mantuvo su peso en relacin a la
parte de cesta no afectada por la divisa objeto de modificacin104.
101
Obviamente, el euro como tal cotiza desde 1999 por lo que los 41 aos anteriores se han calculado
usando una cotizacin sinttica.
102
Si se supone total independencia entre las divisas, el VaR que se obtiene es del 15,47%, mientras
que si se supone que la correlacin es completa y positiva, el VaR que se obtiene es del 29,92%.
103
Si se supone total independencia entre las divisas, el VaR que se obtiene es del 15,98%, mientras
que si se supone que la correlacin es completa y positiva, el VaR que se obtiene es del 32,75%.
104
Para el caso de la modificacin de la esterlina, la parte de la cesta distinta a ella es el 76%. Por
tanto, si la GBP pasa a ponderar un 50%, el resto de divisas supondr el 50% restante por lo que el
peso de cada una ser el que tena antes del cambio multiplicado por el factor 50/76. As, si el
USD pesaba un 35% antes del cambio, despus del mismo ponderar un 23% (35%50/76).
Lo mismo ocurrir en el supuesto de eliminacin de la GBP. En ese caso, el resto de monedas
pasar a pesar el 100%, por lo que el nuevo peso de cada una ser el que tena antes del cambio
multiplicado por 100/76. Para el ejemplo del USD, su peso pasar del 35% al 43% (35%100/76).
167
Estas simulaciones se hicieron tomando como divisa base al euro y a la

esterlina. Los resultados se recogen en la siguiente tabla:
Divisa
EUR
VaR
GBP
VaR
GBP
ARS
USD
+
+
+
5,93%
8,07%
8,76%
4,67%
6,67%
8,06%
-15,26% -20,79% -22,55% -12,03% -17,19% -20,76%
EUR
ARS
USD
+
+
+
7,27%
9,38%
9,87%
6,78%
7,92%
9,81%
-18,72% -24,17% -25,41% -17,46% -20,40% -25,26%
Por tanto, en el caso del euro los peores se sitan en torno al 20%, mientras
que en el caso de la esterlina se sitan en torno al 25%. Por ello, la obtencin
del capital asociado a este riesgo se obtiene como:
MDO fx = VAN cambio en tc

en donde se recoge el cambio instantneo en el valor neto de los activos
debido a una modificacin del 20% en los tipos de cambio de todas las divisas
contra la moneda local. Realmente el clculo es:
MDOfx = max{0; VANsubida en tc ; VANbajada en tc }
Por su parte, KCfx se calcula como la diferencia entre:
las tasas futuras de reparto de beneficios
2.2.5. Riesgo asociado al diferencial -MDOspEs el debido a la volatilidad de los diferenciales de crdito respecto a la
estructura temporal de tipos de inters libres de riesgo. Los ttulos del Gobierno
estn eximidos de ser incluidos en este mdulo. Esta exencin afecta a los
prstamos realizados por el Gobierno nacional o garantizados por l o por
algn estado miembro de la OCDE o del EEE, siempre que sean emitidos en la
divisa del Gobierno local.
Para su calibracin se han utilizado las siguientes series de datos con
frecuencia mensual (fuente: Moodys en ambos casos):
mediana de los diferenciales de bonos desde 1991 hasta 2006
diferenciales de crdito a largo plazo desde 1950 hasta 2006
En todos los casos, y por falta de datos referidos al euro en el largo plazo, el
diferencial de crdito se mide usando como referencia los ttulos del Tesoro de
EE.UU. Se utiliz la aproximacin log-normal ya que los mayores diferenciales
iban asociados con los mayores cambios en valor absoluto en los diferenciales.
Por tanto, el diferencial de crdito a 12 meses se puede escribir como:
168
CS12 = CS0 e X
X N ( , )
X se puede escribir como:

CS12 CS0 CS12 CS0
CS
X = ln 12 = ln1 +
CS
CS0
CS0
0
si
CS12 CS0
0
CS0
Para cuantificar el impacto del riesgo de crdito se parte de la siguiente

aproximacin lineal -obtenida a partir de la expresin de la duracin de
Macaulay-:
VM i VM i duri r
siendo duri la duracin modificada del activo i-simo. Si r = CS12 - CS0,
entonces se tiene que r CS0X
Si de acuerdo a los datos, el cambio en los tipos es distinto segn el rating del
bono105, entonces:
VM i VM i duri CSi f (rating i )
en donde CSi es el diferencial de crdito de la posicin i-sima y f(ratingi) es el
cambio asociado al del 99,5% para ese rating.
Sin embargo, no siempre es posible conocer el valor de CSi por lo que una
posible solucin a este problema es prescindir de los diferenciales individuales
y sustituirlos por el diferencial medio de cada categora de rating, con lo que se
pasa a la siguiente expresin para determinar la cantidad de capital asociada al
riesgo de crdito:
MDOdif = VM i duri F (rating i )
i
Esta aproximacin lineal es adecuada si el diferencial es pequeo o si la

duracin es reducida. Prueba de ello es que, a medida que aumentan los
diferenciales de crdito, la diferencia entre el valor real del cambio y el valor
estimado es creciente con la vida residual del bono, tal y como se puede
apreciar en el siguiente ejemplo numrico:
Ejemplo
Sean varios bonos que pagan cupn anual y que se valoran a la par.
Supongamos que la TIR de los ttulos sin riesgo es del 5%. En todos los casos,
105
Los datos de Moodys para el periodo 1991-2006 son:

Rating
AAA
AA
A
BBB
BB o inferior
Media
5%
4%
4%
4%
-2%
Desviacin tpica
30%
28%
28%
27%
29%
VaR (99,5%)
72%
70%
68%
67%
77%
169
se supondr un aumento del diferencial de crdito del 70%. Por tanto, tenemos
que:
Bono 1
Bono 2
Bono 3
Bono 4
diferencial0 TIR inicial diferencial diferencial1

200 pb
7%
140 pb
340 pb
500 pb
10%
350 pb
850 pb
1.000 pb
15%
700 pb
1.700 pb
1.500 pb
20%
1.050 pb
2.550 pb
TIR final
8,40%
13,56%
22,00%
30,50%
As, el cambio relativo real que se produce en los precios de cada uno de ellos,
se puede recoger en el siguiente grfico:
mientras que el cambio relativo aproximado por la duracin se recoge en el

siguiente grfico:
170
y la diferencia entre ambos en el siguiente:
Se puede apreciar que, a mayor vida residual y mayores diferenciales, mayores

son las diferencias entre el cambio relativo estimado y el cambio relativo real.
Una solu-cin a este problema puede ser la fijacin de un tope al producto
entre la duracin y el diferencial de crdito. Sin embargo, esta medida plantea
un problema: no siempre se conoce el diferencial de crdito.La frmula
propuesta por el CEIOPS realmente es un tope a la duracin y es la siguiente:
min(duri ;8)
min(dur ;6)
i
m(duri ) =
(
dur
min
i ;4 )
duri
si rating i es BB o carece de l
si rating i es B
si rating i es CCC
resto de casos
Para entender mejor el funcionamiento de este mecanismo se ilustra con el

siguiente ejemplo.
Ejemplo
Sea un bono que reparte un cupn anual del 5,50%, que la TIR del activo sin
riesgo de crdito es del 4,25% y que el diferencial por riesgo con el bono
pblico es de 50 puntos bsicos. Entonces, suponiendo distintos ratings para
este bono y haciendo los clculos para vidas residuales que oscilan entre uno y
los cincuenta aos, se obtienen las siguientes cantidades necesarias de capital
-se incluye el precio para cada instante de tiempo-:
171
BBB
BB
CCC
S.C.
Precio
1 0,2404 0,2404 0,9903

2 0,4715 0,4715 1,9425
3 0,6937 0,6937 2,8579
4 0,9073 0,9073 3,7379
5 1,1126 1,1126 4,5838
6 1,3099 1,3099 5,3970
7 1,4997 1,4997 6,1786
8 1,6820 1,6820 6,9299
9 1,8573 1,8573 7,6519
10 2,0257 2,0257 8,3459
11 2,1876 2,1876 9,0128
12 2,3431 2,3431 9,6537
13 2,4926 2,4926 10,2696
14 2,6362 2,6362 10,8613
15 2,7743 2,7743 11,4300
16 2,9069 2,9069 11,9763
17 3,0343 3,0343 12,5013
18 3,1567 3,1567 13,0056
19 3,2743 3,2743 13,4901
20 3,3873 3,3873 13,9556
21 3,4958 3,4958 14,4027
22 3,6000 3,6000 14,8322
23 3,7002 3,7002 15,2448
24 3,7964 3,7964 15,6411
25 3,8888 3,8888 16,0217
26 3,9775 3,9775 16,3873
27 4,0627 4,0627 16,7384
28 4,1446 4,1446 17,0756
29 4,2232 4,2232 17,3994
30 4,2986 4,2986 17,7104
31 4,3711 4,3711 18,0090
32 4,4407 4,4407 18,2957
33 4,5075 4,5075 18,5711
34 4,5717 4,5717 18,8354
35 4,6333 4,6333 19,0893
36 4,6925 4,6925 19,3330
37 4,7493 4,7493 19,5670
38 4,8038 4,8038 19,7916
39 4,8561 4,8561 20,0073
40 4,9064 4,9064 20,2143
41 4,9546 4,9546 20,4131
42 5,0009 5,0009 20,6039
43 5,0454 5,0454 20,7870
44 5,0881 5,0881 20,9628
45 5,1290 5,1290 21,1315
46 5,1683 5,1683 21,2935
47 5,2061 5,2061 21,4489
48 5,2423 5,2423 21,5981
49 5,2770 5,2770 21,7413
50 5,3104 5,3104 21,8787
AAA
AA
1,2019
2,3574
3,4683
4,5363
5,5629
6,5497
7,4983
8,4100
9,2863
10,1285
10,9379
11,7156
12,4631
13,1812
13,8713
14,5344
15,1714
15,7835
16,3715
16,9364
17,4790
18,0002
18,5009
18,9819
19,4438
19,8875
20,3135
20,7228
21,1158
21,4931
21,8555
22,2035
22,5377
22,8585
23,1666
23,4624
23,7463
24,0190
24,2807
24,5320
24,7732
25,0047
25,2270
25,4403
25,6451
25,8416
26,0303
26,2113
26,3851
26,5518
3,2594
6,3932
9,4060
12,3023
15,0865
17,7629
20,3354
22,8080
25,1845
27,4685
28,8319
28,9485
29,0597
29,1660
29,2674
29,3642
29,4566
29,5448
29,6290
29,7094
29,7862
29,8595
29,9294
29,9962
30,0599
30,1208
30,1789
30,2344
30,2873
30,3379
30,3861
30,4322
30,4762
30,5182
30,5583
30,5965
30,6330
30,6679
30,7012
30,7330
30,7633
30,7923
30,8200
30,8464
30,8716
30,8956
30,9186
30,9405
30,9614
30,9814
5,3843
10,5611
15,5379
20,3224
24,9217
29,3428
33,5924
35,2453
35,4113
35,5697
35,7210
35,8654
36,0032
36,1348
36,2604
36,3804
36,4949
36,6042
36,7085
36,8081
36,9032
36,9940
37,0807
37,1634
37,2424
37,3178
37,3898
37,4585
37,5241
37,5867
37,6465
37,7036
37,7581
37,8101
37,8598
37,9072
37,9524
37,9957
38,0369
38,0763
38,1139
38,1498
38,1840
38,2167
38,2479
38,2778
38,3062
38,3334
38,3593
38,3841
10,7687
21,1221
31,0758
40,6448
46,2648
46,5192
46,7620
46,9938
47,2150
47,4263
47,6280
47,8205
48,0043
48,1797
48,3473
48,5072
48,6598
48,8056
48,9447
49,0775
49,2043
49,3253
49,4409
49,5512
49,6565
49,7571
49,8531
49,9447
50,0322
50,1157
50,1954
50,2715
50,3441
50,4135
50,4797
50,5429
50,6033
50,6609
50,7159
50,7684
50,8185
50,8663
50,9120
50,9556
50,9973
51,0370
51,0749
51,1112
51,1457
51,1787
1,9230
3,7718
5,5493
7,2580
8,9006
10,4796
11,9973
13,4561
14,8581
16,2056
17,0100
17,0787
17,1444
17,2071
17,2669
17,3240
17,3785
17,4306
17,4802
17,5277
17,5730
17,6162
17,6575
17,6969
17,7345
17,7704
17,8047
17,8374
17,8686
17,8985
17,9269
17,9541
17,9800
18,0048
18,0285
18,0510
18,0726
18,0932
18,1128
18,1316
18,1495
18,1666
18,1829
18,1984
18,2133
18,2275
18,2411
18,2540
18,2663
18,2781
100,7160
101,3995
102,0520
102,6750
103,2697
103,8374
104,3794
104,8968
105,3907
105,8623
106,3124
106,7422
107,1524
107,5441
107,9180
108,2749
108,6157
108,9410
109,2515
109,5480
109,8310
110,1012
110,3592
110,6054
110,8405
111,0649
111,2791
111,4837
111,6789
111,8653
112,0433
112,2131
112,3753
112,5301
112,6779
112,8190
112,9537
113,0823
113,2051
113,3223
113,4341
113,5409
113,6429
113,7402
113,8332
113,9219
114,0066
114,0874
114,1646
114,2383
Se propone un enfoque alternativo basado en la medicin de la exposicin al

riesgo de crdito como la diferencia de valor que experimentan los activos
sensibles al tipo de inters si el diferencial medido de crdito cambia en un
cierto porcentaje -por ejemplo, un 70%-. Para ello, hay que suponer que se
conoce el diferencial medio ponderado por la duracin -DMPD, en ingls,
DWCS-, que se calcula como:
172
DMPD =
dif Dur VM
Dur VM
i
El resultado de este clculo es el punto de partida del anlisis. Para medir la

sensibilidad a este riesgo se propone la evaluacin del impacto que tendra una
modificacin del diferencial en el siguiente escenario:
escenario = max{100%DMPD; 25pb de incremento}
Es decir, se establece que, al menos, el impacto ha de ser de 25 puntos
bsicos. Para llevar a cabo el clculo es preciso conocer lo siguiente:
ratingi = calificacin crediticia externa del riesgo de la exposicin i-sima

duri = duracin modificada efectiva de la exposicin i-sima
MVi = valor de mercado de la exposicin i-sima.

n
MDOsp = MVi m(duri ) F (rating i )

i =1
F(ratingi) es una funcin que trata de reflejar un impacto equivalente a un VaR

del 99,5%. Se usarn los siguientes valores:
F(ratingi)
0,25%
0,25%
1,03%
1,25%
3,39%
5,60%
11,20%
2,00%
ratingi
AAA
AA
A
BBB
BB
B
CCC
Sin calificar
Por su parte, la funcin m se determina como:
min(duri ;8)
min(dur ;6)
i
m(duri ) =
(
dur
min
i ;4 )
duri
si rating i es BB o carece de l
si rating i es B
si rating i es CCC
resto de casos
De forma que, por cada euro invertido en la posicin i-sima, es necesario

reservar la siguiente cantidad -cifras en cntimos de euro-:
173
Duracin corregida de la posicin

Rating
1
2
3
4
5
6
7
8
AAA
0,25 0,50 0,75 1,00 1,25 1,50 1,75 2,00
AA
0,25 0,50 0,75 1,00 1,25 1,50 1,75 2,00
A
1,03 2,06 3,09 4,12 5,15 6,18 7,21 8,24
BBB
1,25 2,50 3,75 5,00 6,25 7,50 8,75 10,00
BB
3,39 6,78 10,17 13,56 16,95 20,34 23,73 27,12
B
5,60 11,20 16,80 22,40 28,00 33,60 33,60 33,60
CCC
11,20 22,40 33,60 44,80 44,80 44,80 44,80 44,80
S.C.
2,00 4,00 6,00 8,00 10,00 12,00 14,00 16,00
9
2,25
2,25
9,27
11,25
27,12
33,60
44,80
16,00
10
2,50
2,50
10,30
12,50
27,12
33,60
44,80
16,00
El clculo anterior se realiza suponiendo que las tasas futuras de reparto se

mantienen constantes antes y despus de un cambio en los niveles de
diferencial. KC se obtiene como la diferencia entre el resultado de este
escenario y otro en el que las tasas de reparto se modifican como
consecuencia de un cambio en el nivel de diferencial debido a la ocurrencia de
un suceso con probabilidad del 0,5% (una vez cada 200 aos).
2.2.6. Riesgo por concentraciones -MDOconcSe recoge nicamente el riesgo por acumulacin de exposicin con una misma
contrapartida. No incluye otros tipos de concentracin tales como los relativos a
zonas geogrficas, reas industriales, etc. Los ttulos del Gobierno estn
eximidos de ser incluidos en este mdulo. Esta exencin afecta a los
prstamos realizados por el Gobierno nacional o garantizados por l o por
algn estado miembro de la OCDE o del EEE, siempre que sean emitidos en la
divisa del Gobierno local.
La calibracin de este riesgo sigui los siguientes pasos:
Paso 1: Diseo de una cartera bien diversificada.
Como cartera modelo se toma la formada a partir de la informacin expuesta
en el Financial Stability Report Conglomerates 2005-2006 de la siguiente
forma:
70% en bonos de renta fija, de los cuales, tres cuartas partes son bonos
corporativos y el cuarto restante est formado por ttulos libres de riesgo.
Se toman bonos nocionales caracterizados por tener un cupn del 5% y
vida residual constante e igual a 5 aos, los cuales se valoran usando
como tipos de descuento los ofrecidos por Bloomberg para ciertos
sectores y ratings. En concreto, las curvas escogidas son las siguientes:
174
1
2
3
4
5
6
7
8
9
10
11
12
13
F888 EUR BANK AAA

F462 INDS AA+
F890 BANK AA
F580 UTIL AA
F892 BANK A
F583 UTIL A
F465 INDUS A
F898 BANK BBB
F625 TELEF A
F468 INDUS BBB
F469 INDUS BBBF682 TELEF BBB+
F470 INDUS BB
30% en ttulos de renta variable. Como indicativo del mercado se escoge

el ndice Eurostoxx 50 y, a efectos del clculo del VaR, se toman los datos
del periodo comprendido entre el 11 de enero de 1993 y el 30 de
noviembre de 2006. A su vez, como algunas acciones del ndice se
eliminan por no tener la suficiente longitud en su muestra, la cartera de
renta variable se completa con acciones de empresas con determinados
ratings. As, se distingue entre la subcartera formada por ttulos con
ratings desde AAA hasta B, con la que se forma el polinomio asociado a
una concentracin de riesgo de clase BB, y las subcarteras formadas por
todas las empresas excepto las calificadas como BB. Con ellas, se
estimarn los polinomios para AAA-AA, A y BBB.
Paso 2: Medicin del efecto del aumento de la concentracin de riesgo en un

cierto ttulo en la cartera original.
Esta simulacin afectar a la parte de la cartera formada por la renta variable 30%- y los bonos corporativos -75% del 70% restante, es decir, un 52,5% del
total-. A cada uno de los elementos afectados se les aumenta su peso en la
cartera sucesivamente al ritmo de un 1% cada vez, hasta llegar a un cambio
mximo del 71%. Con cada aumento se calcula el VaR de la cartera resultante
y se obtiene la diferencia entre la cifra as calculada y la del VaR de la cartera
inicial. Este proceso se hace por separado para cada uno de los grupos de
riesgo seleccionados, es decir, los asociados a los ratings AAA-AA, A, BBB y
BB.
Paso 3: Estimacin de los polinomios de riesgo
A partir de los pares de valores (peso, VaR) obtenidos en el paso anterior, se
estiman los polinomios a los cuales, se les asigna una forma lineal, para lo cual
se utiliza la estimacin por mnimos cuadrados.
Para llevar a cabo el clculo se necesita conocer la siguiente informacin:
Ei
= Exposicin neta a la quiebra de la contrapartida i-sima

175

Actxl = Cantidad total de activos descontando aqullos en los que el

inversor soporta el riesgo de la inversin
ratingi = Calificacin externa del rating de la exposicin i-sima
Todas las compaas que pertenezcan al mismo grupo se las considerar

como parte de la misma contrapartida. A efectos del QIS3 no se considerarn
las tenencias en inmuebles ni en fondos inmobiliarios. Por su parte, los
derivados financieros sobre el capital o sobre bonos susceptibles de
experimentar quiebras debern ser adecuadamente asignados a la exposicin
neta.
Para llevar a cabo el clculo del capital necesario para soportar este riesgo, se
requieren tres etapas:
1 etapa. Clculo de la exposicin en exceso:
E
XSi = max0; i UC
Act
xl
siendo UC el umbral de concentracin que depende del rating de la

contrapartida de modo que si la calificacin es AAA, AA o A es igual a un 5% y
en otro caso es el 3%.
2 etapa. Clculo de la concentracin en la empresa i-sima:

Ci = ACTxi XSi (g 0 + g1 XSi )
donde g0 y g1 dependen del rating de la contrapartida con estos valores:

g1
Rating
g0
AAA
0,1840
0,0401
AA
A
0,2684
-0,0163
BBB
0,3862
-0,0416
Resto
0,9227
-0,4314
3 etapa. Agregacin de riesgo:

en este caso, suponiendo independencia entre todos ellos se obtiene que:
Mkt conc =
2
i
2.3. SCR asociado a la quiebra de la contrapartida reductora de riesgo SCRdefSe recoge la quiebra de reaseguradoras o de los emisores de derivados
financieros. Para estimar la tasa de quiebra -a partir de ahora, PD por
probability of default- se han utilizado estudios sobre sto elaborados por las
176
agencias de calificacin del riesgo Standard & Poors106 y Moodys107. En el

primer caso se analizan 11.605 empresas desde 1981 hasta 2005 de sectores
industriales, servicios pblicos, sector financiero y aseguradoras en todo el
mundo que poseen ratings de deuda a largo en moneda local. En el segundo
caso, se analizan 16.000 empresas de 1920 a 2005. En todos los casos, se
toma como representativa de la probabilidad de quiebra aqulla que, para
categora de rating, recoge la proporcin de quiebras en un intervalo de tiempo
inferior al ao, a contar desde la fecha en la que se consigui el rating.
Primeramente se elaboraron regresiones con todas las categoras de rating -17
en cada caso- tanto con los datos de Standard & Poors como de Moodys.
Dado que esta divisin del riesgo se consider excesivamente prolija para la
frmula general, se estim una regresin para los siete grandes bloques en
cada caso. Adems, se incluy la llamada probabilidad de quiebra agregada, la
media de las categoras, con lo que los datos utilizados fueron los siguientes cifras expresadas en puntos bsicos-:
S&P
categora
PD
AAA
0
AA
1
A
4
BBB
27
BB
120
B
591
CCC/C
3.041
Moodys
categora
PD
Aaa
0
Aa
1
A
2
Baa
21
Ba
131
B
569
Caa-C
2.098
PD agregada
0
1
3
24
125
580
2.570
Fuente: Tabla 12 del citado documento de Standard & Poors y tabla 35 del de
Moodys
Para este conjunto de 7 categoras se elaboraron regresiones del tipo:

ln P D = + RC
Siendo RC la categora del rating, que va desde 1 para el mejor rating y 7 para
el peor. Se obtuvieron los siguientes resultados:
alfa estimado
beta estimado
R2
categora 1
categora 2
categora 3
categora 4
categora 5
categora 6
categora 7
S&P
-1,679
1,616
0,998
0,2
0,9
4,7
23,8
119,9
603,9
3.040,7
Moodys
-1,935
1,629
0,986
0,1
0,7
3,8
19,2
97,7
498,5
2.542,5
agregada
-1,783
1,620
0,995
0,2
0,8
4,3
21,7
109,7
554,2
2.800,6
Fuente: elaboracin propia a partir de datos de S&P y Moodys

106
Standard & Poors (2006): Annual 2005 Global Corporate Default Study and Rating Transitions,
Global Fixed Income Research, February 2006.
107
Moodys Investor Service (2006): Default and Recovery Rates of Corporate Bonds Issuers. 19202005, January 2006.
177
Dado que se adopta un criterio de prudencia, se escogen las probabilidades

estimadas con los datos de Standard & Poors por ser las ms elevadas.
En el caso de este mdulo, la informacin necesaria es:
CRi =
coste de reemplazamiento de la contrapartida en caso de quiebra.

Se obtiene como la diferencia entre las provisiones tcnicas
brutas y netas ms una cantidad extra a pagar menos cantidades
recuperadas, garantas u otras partidas reductoras del riesgo.
PDi =
probabilidad de impago de la contrapartida i-sima, la cual se

obtiene a partir de los ratings usando la siguiente tabla:
Rating
PDi
AAA
0,002%
AA
0,010%
A
0,050%
BBB
0,240%
BB
1,200%
B
6,040%
Resto
30,410%
El clculo de este SCR conlleva tres etapas:
1 etapa. Clculo de la concentracin tanto en reaseguradoras como en

derivados financieros
Para ello se usa el ndice de Herfindahl como:
CRi2
i K
HK =
K = reaseguradora o derivados
2
2
CRi
i K
2 etapa. Clculo de las exigencias de capital para cada contrapartida

Para ello se necesita calcular previamente la correlacin implcita entre la
contrapartida i-sima y el ndice de Herfindahl del grupo al que pertenece
-reaseguradora o derivados-. La expresin es:
Ri =
1 + HK
2
La regla a seguir es la siguiente:
si Ri es 1/2, entonces las exigencias de capital de una determinada

contrapartida, Defi, se obtienen usando la distribucin de Vasicek:
N 1 (PDi )
R
Defi = CRi N
+
N 1 (0,995)
1 R
1 R
178
siendo N la funcin de distribucin de la normal estndar.
si Ri es 1, entonces: Defi = CRi min{100 PDi ;1}
si Ri est entre 1/2 y 1, entonces Defi es una interpolacin lineal entre
Defi(1) y Defi(1/2)
3 etapa. Obtencin del SCR:

Se calcula como la suma algebraica de todos los Defi.
2.4. SCR asociado al riesgo tcnico de vida -SCRVEste riesgo se divide en:
Riesgo biomtrico (mortalidad, longevidad, discapacidad / enfermedad)

Riesgo de suspensin
Riesgo de gastos
Riesgo de revisin
Riesgo de catstrofe
Dado que de forma general se aplica el principio de predominio del fondo sobre
la forma, todos aquellos siniestros de ramos de no vida que se paguen en
forma de rentas debern incluirse en este mdulo.
Para evaluar este riesgo se necesitan tanto las cantidades de capital como los
importes asociados a efectos reductores de riesgo de los siguientes riesgos:
Revisin (Vrev)
Mortalidad (Vmort y KCmort)
Longevidad (Vlong y KClong)
Discapacidad (Vdisc y KCdisc)
Suspensin (Vlapse y KClapse)
Gastos (Vg y KCg)
Catstrofe (VCAT y KCCAT).
A diferencia de lo que ocurra en el QIS2, en donde los riesgos de mortalidad,

longevidad y discapacidad tenan dos componentes de variacin -riesgo
tendencial y riesgo de volatilidad-, en QIS3 se ha mantenido nicamente el
primero de ellos. La razn es que las oscilaciones de la volatilidad eran muy
pequeas en relacin al riesgo tendencial, asumiendo que los cambios en la
volatilidad se recogen implcitamente tanto en el riesgo tendencial como en el
de catstrofe.
Para todos los riesgos anteriores, excepto para el de catstrofe y el de revisin
que no se contemplaba previamente, el CEIOPS a travs del CP20 consider
oportunos evaluarlos mediante un enfoque de escenarios, mientras que el de
catstrofe se estableci que su evaluacin se hiciera de forma factorial.
179
El clculo del SCR es:

SCRV = V V V
y
KCV = KC V KC
/ KC rev = 0
En cuanto a la matriz de correlaciones entre riesgos, en ambos casos es igual.

Los cambios respecto a QIS2 son:
el riesgo de morbilidad se ha incluido dentro del de discapacidad

se reducen las correlaciones entre el riesgo de gastos con los de
mortalidad y longevidad, pasando en ambos casos de 0,50 a 0,25 as
como la existente entre suspensin -lapse- y longevidad, pasando
tambin de 0,50 a 0,25
se elevan las correlaciones entre mortalidad y discapacidad desde 0,25 a
0,50.
Los valores de la matriz son los siguientes:
Vmort
Vlong
Vdisc
Vlap
Vg
Vrev
VCAT
Vmort
1
0
0,5
0
0,25
0
0
Vlong
0
1
0
0,25
0,25
0,25
0
Vdisc
0,5
0
1
0
0,5
0
0
Vlap
0
0,25
0
1
0,5
0
0
Vg
0,25
0,25
0,5
0,5
1
0,25
0
Vrev
0
0,25
0
0
0,25
1
0
VCAT
0
0
0
0
0
0
1
2.4.1. Riesgo de mortalidad -VmortLa cantidad de capital asociada a este riesgo se obtiene como:
Vmort = VANsubida de mortalidad
i
i recoge todas aquellas plizas en las que se paga indemnizacin en caso de

muerte. Por tanto, mide la variacin en el valor neto de los activos si se
produce un aumento permanente de un cierto porcentaje en las tasas de
mortalidad en cada edad. Este porcentaje se establecer en un 10% tal y como
se ver ms adelante en esta seccin.
Por su parte, KCmort se calcula como la diferencia entre:

180
Por lo que se refiere a la eleccin de la cuanta de los shocks en los riesgos

biomtricos, todos ellos se han deducido del estudio publicado por Watson
Wyatt en 2004 en donde se recoge el VaR al 99,5% y con horizonte de un ao
ante diversos eventos. El clculo fue solicitado a las compaas para su
presentacin de ICAS108.
Para el riesgo de mortalidad, los resultados daban un rango de resultados entre
el 10% y el 35% con valor medio del 23%. No obstante, se sospecha que esa
cifra recoga los riesgos de tendencia, volatilidad y catstrofe. Se sospecha que
en posteriores presentaciones del ICAS, se incluy un menor nivel de impacto
en la tendencia de la mortalidad que puede reflejar la probabilidad de que la
distribucin de probabilidad por mortalidad no sea simtrica y con clara
tendencia a la mejora. Otro dato a tener en cuenta es que muchas compaas
no aceptan suponer una mejora en la tasa de mortalidad en los casos de sus
asegurados. Por todo ello, el shock del 20% en QIS2 se ha reducido hasta el
10%.
En este riesgo se trata de recoger el riesgo de incertidumbre -tendencia y
parmetros- que no est reflejado en la valoracin de las provisiones tcnicas.
Se aplica a aquellos contratos en los que, por ejemplo, la cantidad realmente
pagadera por muerte sobrepase lo dotado en las provisiones tcnicas y, por
tanto, un aumento en las tasas de mortalidad es probable que conduzca a un
aumento en las provisiones tcnicas.
2.4.2. Riesgo de longevidad -VlongEn este caso se trata de recoger el riesgo de incertidumbre -tendencia y
pagadera por muerte sobrepase lo dotado en las provisiones tcnicas y, por
tanto, un aumento en las tasas de mortalidad es probable que conduzca a un
aumento en las provisiones tcnicas.
Para el caso de la longevidad el anterior estudio de Watson Wyatt recoge
rangos entre el 5 y el 35%, con una media situada en el 18%, todo ello
suponiendo una cada permanente en la mortalidad. Se sospecha que
presentaciones posteriores del ICAS asumen una cada en la mortalidad del
25% que se supone coherente con estudios de expertos109. Esta cada sera
equivalente a un aumento de 3 aos en la esperanza de vida de un hombre de
65 aos.
La cantidad de capital asociada a este riesgo se obtiene como:
Vlong = VAN impacto

i
108
Tal y como se ha comentado, se trata de las siglas de Individual Capital Adequacy Standards.
109
Willets et. al. (2001): Longevity in the 21st century, British Actuarial Journal, 10(5): 685-832.
181

produce un descenso permanente del 25% en las tasas de mortalidad en cada
edad.
Por su parte, KClong se calcula como la diferencia entre:
2.4.3. Riesgo de discapacidad -VdiscEn este caso se trata de recoger el riesgo de incertidumbre -tendencia y
pagadera por discapacidad sobrepase lo dotado en las provisiones tcnicas y,
por tanto, un aumento en las tasas de discapacidad es probable que conduzca
a un aumento en las provisiones tcnicas.
Para la calibracin de este riesgo se tuvieron en cuenta los resultados del
estudio citado anteriormente. Para el caso de la discapacidad -junto con la
enfermedad-, el estudio recoge un rango de resultados entre el 10% y el 60%,
con una media en torno al 40%.
Es probable que muchas de las potenciales variaciones sean atribuibles a
factores de corto plazo tales como epidemias y tambin al efecto del ciclo
econmico que puede elevar el nmero de siniestros de mayor plazo. A partir
de comentarios de empresas que consideran que quiz el 40% es algo alto, se
propone un factor del 35% para el prximo ao reducindose a partir de
entonces hasta el 25%.
Por tanto, la cantidad de capital asociada a este riesgo se obtiene como:
Vdisc = VAN impacto

i

produce un aumento de un 35% en las tasas de discapacidad para el prximo
ao ms un aumento permanente del 25% en las tasas de discapacidad a cada
edad para los siguientes ejercicios.
Por su parte, KCdisc se calcula como la diferencia entre:
182
2.4.4. Riesgo de suspensin -VlapLa cantidad de capital asociada a este riesgo se obtiene como:
Vlap = VAN impacto

i
siendo el impacto la suma de dos conceptos:
el mximo de:
50% de aumento en las tasas previstas de suspensin
Aumento de un 3% en trminos absolutos en la tasa prevista de
suspensin en los casos en los que el valor de rescate supere lo
dotado en las provisiones tcnicas
un descenso del 50% en las tasas previstas de suspensin en las plizas

en las que el valor de rescate sea inferior a lo dotado en las provisiones
tcnicas.
Para el riesgo de suspensin, el rango de resultados oscila entre el 35% y el

60% con una media en torno al 50%. Sin embargo, si la tasa de suspensin
actual fuese baja un aumento de esa cuanta subestimara el impacto, por lo
que se propone que el incremento en trminos absolutos sea de, al menos, un
3%.
Por su parte, KClap se calcula como la diferencia entre:
2.4.5. Riesgo de gastos -VgSe calcula como:

Vg = VAN impacto
en donde impacto recoge una situacin caracterizada por:

los gastos futuros sobrepasan en ms de un 10% las mejores
estimaciones realizadas y
la tasa de inflacin de gastos supera en ms de un 1% la prevista.
Sin embargo, para las plizas con gastos ajustables -aqullas cuyos gastos se
pueden modificar a lo largo del ao siguiente-, el 75% de esos gastos
adicionales se puede recuperar en los siguientes dos aos, mediante el
aumento de los pagos que han de realizar los tomadores.
En cuanto a su calibracin, los resultados del estudio de Watson Wyatt
relativos al riesgo de gastos oscilan entre el 5% y el 50% con una media en
183
torno al 26%. Se sospecha que en presentaciones ms recientes del ICAS se

supone un aumento de los gastos de un 10% para el prximo ao junto con un
aumento de entre 1% y 2% anual en la tasa de la inflacin futura de gastos.
Dado que es posible que las tasas reales de inflacin es probable se
mantengan estables, entonces un aumento de un 1% anual en la tasa
esperada futura de inflacin parece una hiptesis financieramente consistente.
En consecuencia, parece razonable evaluar el impacto de un aumento de un
10% en el nivel de los gastos para el siguiente ao junto con un aumento del
1% en la inflacin prevista. Sin embargo, en algunas plizas las compaas
pueden ajustar los gastos repercutibles a los tomadores. Para estos casos se
supone que el 75% de los gastos adicionales puede recuperarse a partir del
segundo ao elevando las cargas que pueden trasladarse a los tomadores.
Por su parte, KCg se calcula como la diferencia entre:

2.4.6. Riesgo de revisin -VrevEs nuevo en QIS3. Recoge el efecto de cambios adversos en el importe de las
rentas debido a revisiones inesperadas110. Se calcula como:
Vrev = VAN impacto
en donde el impacto recoge un aumento del 3% en la cantidad anual pagadera
por rentas susceptibles de sufrir este riesgo. El impacto debera evaluarse para
todo el periodo de pago.
Para el riesgo de revisin, el aumento del 3% se obtuvo a partir de datos
histricos relativos al pago de pensiones por indemnizacin a trabajadores en
Portugal. Para lograr esa cifra se hizo a partir de una composicin de una
Binomial -frecuencia- con una lognormal -cuanta-. La prdida se obtuvo
mediante simulacin de Monte Carlo y el 3% se corresponde con el cuartil 99,5.
2.4.7. Riesgo de catstrofe -VCATSe evalan las situaciones de catstrofe para los riesgos biomtricos y de
suspensin. Se requieren los siguientes datos:
PTi = Provisiones netas de reaseguro para cada pliza

SAi = Suma asegurada en la pliza i-sima si la indemnizacin se paga
de una sola vez, siendo cero en caso contrario
110
Aqu no se recogen los cambios debidos a la indexacin sino ms bien a modificaciones debidas a
la norma aplicable. Por ejemplo: un deterioro en el estado de salud del beneficiario.
184
BAi = Suma asegurada en la pliza i-sima si la indemnizacin se paga

en forma de renta, siendo cero en caso contrario
FR = Factor medio de rentas que recoge la duracin media esperada
de las indemnizaciones
Por lo que se refiere a la calibracin de este riesgo, es necesario distinguir

entre los casos de mortalidad, discapacidad y suspensin. Por lo que refiere
riesgo catastrfico de mortalidad se tom como evento de referencia las gripes.
Se sabe que las epidemias de gripe ms graves pasan cada 25-30 aos. La
peor que se recuerda es la de 1918 que tuvo una tasa de mortalidad de entre el
1% y el 2% segn pases, centrndose sobre todo en personas de entre 25 y
40 aos, siendo la media europea del 0,5%. Un candidato a repetir esta
situacin es el virus H5N1 -gripe aviar-. Si suponemos que la gripe de 1918 es
el suceso con probabilidad 0,5%, con un nmero de muertos en torno al 5 por
mil y que consideramos los avances mdicos habidos desde entonces, se
propone un componente de capital equivalente al 1,5 por mil del capital en
riesgo.
En cuanto al riesgo catastrfico de discapacidad, tambin en este caso, una
gran epidemia es el principal factor de riesgo. Sin embargo, en el riesgo no
catastrfico ya se est suponiendo un aumento del 3,5% de los nuevos casos y
una epidemia grave es ms probable que cause muertos en los primeros 15
das que una enfermedad prolongada. Por ello, se propone que se suponga un
nivel adicional de siniestros del 1,5 por mil.
Finalmente, el riesgo catastrfico de suspensin sera una situacin asociada
con una repentina reaccin adversa de los tomadores en el caso de una
prdida de reputacin de una empresa que llevase a un aumento desmesurado
de rescates o de suspensiones en plizas del tipo unit-linked. Este riesgo
puede no estar completamente recogido en el componente de riesgo operativo.
La forma ms efectiva de cubrir este riesgo sera mediante el mantenimiento de
capital que cubriese la diferencia entre el valor de rescate de las plizas y las
provisiones tcnicas dotadas. Por ello, se propone incluir un componente de
capital por el 75% de la diferencia entre el valor de rescate de las plizas y las
provisiones tcnicas dotadas.
Para el caso de las plizas ligadas a ndices que puedan ser rescatadas o
rescindidas con anticipacin, se calcula otro factor, denominado FLR, que se
obtiene como la suma de las diferencias positivas entre el importe que ahora se
pagara por el rescate y la provisin dotada.
El clculo es:
2
2
VCAT = Vmort
+ disc , CAT + Vlap , CAT
siendo:
Vmort ,CAT = 0,0015 CER i

i
185
en donde i recoge las plizas en las que pueden darse pagos por mortalidad o
discapacidad y CER es el capital en riesgo que se obtiene como:
CERi = (SAi + BAi FR PTi )
i
Por su parte, Vlap,CAT es igual a:

Vlap ,CAT = 0,75 FLR
Las cantidades de capital se debern calcular suponiendo que tas tasas futuras
de reparto permanecen constantes antes y despus de la ocurrencia de una
catstrofe. Se deber calcular el resultado del escenario bajo la hiptesis de
que la entidad es capaz de variar sus futuras tasas de reparto en el caso en
que ocurra un evento catastrfico con probabilidad 0,5%.
El efecto reductor del riesgo, KCCAT, ser la diferencia entre ambos clculos.
2.5. SCR asociado al riesgo tcnico de salud -SCRSEl riesgo de suscripcin de seguro de salud se divide en tres submdulos:
Riesgo de gastos
Riesgo de cancelacin / mortalidad / siniestros
Riesgo de epidemia / acumulacin
Para obtener este SCR se deben calcular tanto los capitales como las
reducciones debidas al reparto futuro de beneficios de cada uno de esos
subriesgos.
La cifra final del SCR se obtiene como:
SCR = S S S
siendo S el vector de SCR individuales y S la matriz de correlaciones que, en
este caso resulta ser:
Sg
Ssin
Sac
Sg
1
0,5
0
Ssin
0
1
0
Sac
0,5
0
1
El factor de correccin, KC, se obtiene de igual forma que el SCR.
2.5.1. Riesgo de gastos -SgSurge cuando los gastos previstos que se han incluido en la tarifa del seguro
no son suficientes para cubrir los costes reales acumulados durante el presente
ejercicio econmico. Para poder comparar resultados entre distintos ejercicios
todos los resultados anuales debern ponerse en relacin con las primas
brutas imputadas -PBI- de ese ejercicio.
186
Para cuantificarlo, se necesita la siguiente informacin:
sg = desviacin tpica de la relacin entre gastos y PBI de los 10 aos

previos
Pt = PBI de cierto ejercicio
La cantidad de capital asociada a este riesgo se obtiene como:

Sg = g sg Pt
en donde g es el factor de riesgo por gastos y va asociado a un VaR del
99,5%. Este factor es igual a 2,58111. Para fijar el valor de g es necesario tener
informacin sobre la distribucin estadstica que tienen los gastos. Para ello,
usando datos de gastos en salud en el mercado alemn y aplicando los test de
Kolmogorov-Smirnov y Shapiro-Wilks112, se obtuvo que esa variable segua una
distribucin normal. Dado que el ajuste de parmetros ha de ser coherente con
un VaR al 99,5%, se fij g en 2,58.
La estimacin de sg se realiz a partir de los datos empricos de cada
empresa. Sin embargo, si la muestra no es lo suficientemente larga, entonces
la desviacin tpica se obtiene como combinacin lineal. As, si la empresa an
no tiene 10 aos de antigedad, el clculo de sg se sustituye por la siguiente
expresin:
1
1
(n )
sg = (10 n)fg + (n 6 ) sg
4
4
111
2,58 es el valor que aparece en la tabla de la normal estndar asociado a una probabilidad
acumulada del 99,5%.
112
Ambos tests tratan de ver si un conjunto de datos se ajusta a una determinada distribucin
estadstica.
El test de Kolmogorov-Smirnov, conocido como KS, se aplica slo a una variable continua y trata
de medir el ajuste entre la funcin de distribucin emprica de una muestra y la funcin de
distribucin terica. La funcin de distribucin emprica se define como:
{x / x i x}
Fn (x ) = i
n
y el estadstico que se utiliza en este test es:
Dn = Max Fn (x ) F (x )
el cual tiene una distribucin propia y tabulada. As, dados n y , se rechazar la hiptesis nula si
Dn > D(n,).
El test de Shapiro-Wilks trata de comprobar si los datos analizados se ajustan a una distribucin
normal. La expresin del test es:
w =
siendo ns x2 =
(x
h
1
a j , n x (n j +1) x ( j )
2
ns x j =1
A2
ns x2
x ) y h = n/2 si n es par y (n-1)/2 si n es impar. Los coeficientes aj,n estn

2
i =1
tabulados y x(j) es el valor ordenado en la muestra que ocupa el lugar j-simo. La distribucin de w
est recogida en tablas de forma que se rechaza la normalidad si el valor emprico es inferior al
valor en tablas.
187
siendo:
n = min{max{n;6};10} y n el nmero de aos consecutivos en los que

recientemente las PBI han superado los tres millones de euros113
(n )
sg
= desviacin tpica de la relacin de gastos sobre PBI para los n aos
anteriores. Se usa si n >6
fg = parmetro para estimar sg en pequeas aseguradoras. Se ha fijado
en 0,02 y se utiliza si n 6
La calibracin de fg se obtuvo a partir de datos de 43 aseguradoras de salud en

el mercado alemn. Se supuso que el estimador del mercado sera similar al
especfico de cada empresa por lo que:
fg sg Pi fg Pi sg i = 1,2,..., n
fg se obtuvo minimizando la siguiente expresin de diferencias al cuadrado:
2
min (Pi fg Pi sg )
i
Operando se obtiene que:
P
=
P
2
*
g
sg
Para este anlisis, fg se fij en 0,02.

La cantidad de capital por este riesgo se calcula suponiendo que las futuras
tasas de reparto permanecen constantes antes y despus del aumento de los
gastos114. Adems, se calcular Sg suponiendo que se modifican las futuras
tasas de reparto por la ocurrencia de un hecho cuya probabilidad es 0,5%, que
eleve el riesgo de gastos. El efecto de la reduccin del riesgo por el reparto
futuro de beneficios se obtiene como la diferencia entre los dos clculos
anteriores.
2.5.2. Riesgo por siniestros / mortalidad / cancelacin -SsinCubre las siguientes situaciones:
las prdidas reales per cpita superan las previstas en la tarificacin
los fondos previstos para mortalidad en las provisiones tcnicas son
inferiores a los supuestos en la tarificacin del producto
113
La definicin de n supone que n 6 n = 6 y n > 6 n = n, es decir, que n es, al menos,

igual a 6.
114
Dicho aumento est reflejado en la valoracin de las provisiones tcnicas que recogen las futuras
indemnizaciones discrecionales.
188
los fondos previstos para cancelaciones en las provisiones tcnicas son

inferiores a los supuestos en la tarificacin del producto
Para calcular la cantidad de capital necesaria, se requiere la siguiente

informacin:
Pt
Ssin se obtiene como:
sin
= la desviacin tpica de la relacin entre Ssin y las primas brutas

imputadas de los 10 aos previos
= primas brutas imputadas del ejercicio t-simo.
Ssin = sin Ssin Pt
Partiendo de un razonamiento anlogo al del caso anterior, se llega a que, para

este riesgo, la constante fsin se fija en valor igual a 0,03.
Todo lo dems es igual que en el caso anterior, excepto que fsin = 0,03. La
cantidad de capital por este riesgo se calcula suponiendo que las futuras tasas
de reparto permanecen constantes antes y despus del aumento de los
gastos115. Adems, se calcular Ssin suponiendo que se modifican las futuras
anteriores.
2.5.3. Riesgo por acumulacin / epidemias -SacSe necesita la siguiente informacin:
SINt
PBIt
PBIMSt
= Gastos por siniestros en todo el mercado durante el ao t

= Primas brutas imputadas en el ao t
= Total de PBI en el mercado de salud durante el ao t.
La cantidad de capital se obtiene como:

SINt
Sac = ac
PBIt
PBIMSt
siendo ac el factor de riesgo asociado a esta causa. Se ha fijado en 0,065. De
acuerdo con las recomendaciones emanadas de la Organizacin Mundial de la
Salud -OMS- ante posibles casos de gripe epidmica, el gobierno federal
alemn y los Estados federados trazaron un plan de accin para esta
contingencia, bajo la direccin del Instituto Robert Koch. En este plan, se
estima que en el supuesto de tener al 50% de la poblacin alemana afectada y
durante 8 semanas, el 25% de la poblacin buscara ayuda mdica y el 0,75%
necesitar ayuda sanitaria, todo ello sin considerar medidas adicionales de
115
De nuevo, reflejado en la valoracin de las provisiones tcnicas que recogen las futuras
189
higiene y teraputicas. La probabilidad de este escenario se evala en el

percentil 99,5, usado en el SCR y el ac se situ en 0,065.
La cantidad de capital por este riesgo se calcula suponiendo que las futuras
tasas de reparto permanecen constantes antes y despus del aumento de los
gastos116. Adems, se calcular Ssin suponiendo que se modifican las futuras
anteriores.
2.6. SCR asociado al riesgo tcnico de no vida -SCRNVEste riesgo recoge la incertidumbre debida a:
importe y calendario de posibles pagos por siniestros en relacin con los
pasivos existentes
volumen de negocio suscrito y las primas a las que lo son
primas necesarias que seran necesarias para cubrir los pasivos
originados por el negocio captado.
Se divide en dos grandes bloques:
Riesgo por primas: se refiere a los futuros siniestros que puedan surgir
durante y posteriormente al periodo para el que se realiza el clculo de
solvencia, es decir, que los gastos ms las prdidas debidas a los
siniestros sean superiores a las primas recibidas. Este riesgo est
presente en el momento de emisin de la pliza antes de que ocurra
cualquier siniestro. Este riesgo se refiere a las plizas a emitir renovaciones incluidas- durante el periodo y a riesgos no cancelados pendientes- de contratos existentes.
Riesgo por reservas: es debido a dos causas:

mal clculo de las provisiones
fluctuaciones de la cifra real de siniestros en torno al punto medio
PSPr = provisin neta para siniestros pendientes en cada ramo
Prt , cap = estimacin de las primas netas captadas el prximo ao en el

ramo r
Prt , dev = estimacin de las primas netas devengadas el prximo ao en

el ramo r
Prt 1,cap = primas netas captadas en el ramo r el ao anterior
nr
= nmero de datos histricos -mximo 15116
Tambin reflejado en la valoracin de las provisiones tcnicas que recogen las futuras
190
LRra
= ratio de siniestralidad en el ramo r en cada uno de los aos

disponibles (n = t-1,..., t-n). Se calcula como la relacin entre
los siniestros incurridos117 en el ao a y las primas devengadas,
ambas cifras al final del ao a.
El riesgo de primas -NVpr- se calcula como: NVpr = ( ) V

siendo V una medida indicativa del nivel de primas, la desviacin tpica de la
ratio combinada para el total de la cartera y () una funcin de la desviacin
tpica definida como:
( ) =
N 0 , 995
ln 1 +
1+ 2
Suponiendo que el riesgo analizado sigue una distribucin lognormal, entonces

la cantidad de capital asociada a este riesgo es consistente con un VaR al
99,5%. Para un rango de valores inferiores al 25%, se obtiene que ()3 tal y
como se aprecia en la tabla y el grfico siguientes:
2%
4%
6%
8%
10%
12%
14%
16%
18%
20%
25%
30%
35%
40%
45%
50%
()
0,0527
0,1076
0,1649
0,2245
0,2866
0,3510
0,4179
0,4872
0,5590
0,6332
0,8293
1,0403
1,2656
1,5046
1,7564
2,0198
3
0,0600
0,1200
0,1500
0,2400
0,3000
0,3600
0,4200
0,4800
0,5100
0,5700
0,7200
0,8700
1,0200
1,1700
1,3200
1,4700
La determinacin de V y de se hace mediante un proceso en dos fases:

1 fase: se determinan V y para cada ramo.
Sea la siguiente informacin para cada ramo:
Vpr,r = medida de volumen para el riesgo de primas, cuya expresin es:

Vpr , r = max Prt , cap ; Prt , dev ;1,05 Prt 1, cap
117
Se consideran siniestros incurridos en a al total de prdidas habidas en ese ao por los siniestros
pagados durante ese mismo ao ms las provisiones dotadas al final del ao.
191
Vres,r = medida de volumen para el riesgo de reservas, cuya expresin es:

Vres , r = PSPr
pr,r = desviacin tpica

siguiente tabla:
ramo
1
2
3
4
5
para el riesgo de reservas se determina a partir de la

res,r ramo
6
15%
7
7,5%
8
15%
9
12,5%
10
7,5%
res,r
15%
10%
15%
10%
10%
ramo
11
12
13
14
15
res,r
10%
15%
15%
20%
20%
Para los ramos de responsabilidad civil en automviles y responsabilidad civil

en general -ramos nmeros 4 y 8 respectivamente- se utilizaron datos del
mercado britnico. Para salud -ramo nmero 2- los datos analizados fueron los
del mercado francs. Para el resto se tomo como punto de partida lo usado en
QIS2118.
pr,res = desviacin tpica para el riesgo de primas, que es una combinacin

entre el estimador de la aseguradora - i2, pr , r - y el del mercado - M2 , pr , r - de la
forma:
pr , r = c r i2, pr , r + (1 c ) M2 , pr , r
siendo i la desviacin tpica especfica de cada empresa y cr el factor de
credibilidad definido como:
nr
si n r 7
c r = nr + k r
0
resto
en donde nr es el nmero de ratios histricas disponibles -mximo 15- para la

empresa i del ramo r y kr es la constante de credibilidad del ramo r. Bajo ciertas
hiptesis y aplicando el mtodo clsico de credibilidad de Bhlmann-Strauss se
establece119 que:
nr , i 1
cr =
E 4 ( i )
nr , i 1 + 2
Var 2 ( i )
{
{
}
}
118
En QIS2 se obtena como el producto de un factor de volatilidad -que oscilaba entre 0,05 y 0,25- y
un factor de tamao, que oscilaba entre 1 y 2,44.
119
Para una explicacin ms detallada, puede consultarse el trabajo de Centeno, L. (1989): The
Buhlmann-Straub Model with the premium calculated according to the variance principle.
Insurance: Mathematics and Economics, 8: 3-10.
192
siendo i el parmetro de la distribucin. Los resultados obtenidos indican que,

segn el ramo, kr oscila entre 3 y 5. Por simplicidad se ha tomado kr = 4. Por
tanto, cr oscila entre 7/11 y 15/19.
i2, pr , r se calcula a partir de la volatilidad de las ratios histricas de

siniestralidad -LR- de la forma:
P (LR
t
A, pr , r =
(nr
t
r
1) Vpr , r
es la media ponderada por las primas netas de las ratios de siniestralidad

histricas, obtenida como:
t Prt LRrt
r =
Prt
t
Para la obtencin de M se analizaron estimaciones especficas de la volatilidad

del riesgo de primas en el mercado alemn. Para ello se analizan ratios
histricas de siniestralidad. El proceso fue el siguiente:
1)
la desviacin tpica del mercado se supone que es cercana a la

desviacin tpica especfica de cada compaa , es decir:
si M i ViM Vii
2)
M se obtiene minimizando la suma de diferencias al cuadrado, es

decir120:
min (Vi M Vi i )
3)
los datos utilizados se recogen en la siguiente tabla:
120
Sea z =
(V
i
Vi i )2 . Entonces la condicin necesaria para minimizacin es que:
dz
=0=2
d M
(V
(V
i
Vi i )Vi = 0
V
=
V
i
M Vi i = 0
*
M
En cuanto a la condicin suficiente:

d 2z
=2
d 2
*
M M = M
*
> 0 M
es mnimo
193
Ramo
Accidentes y salud
Motor: responsabilidad civil
Motor: otros
Incendio y otros daos a la propiedad
Responsabilidad civil
Defensa jurdica
Muestra: 1988-2002
n
empresas
112
96
98
58
127
99
30
n ratios
siniestralidad
1.609
1.364
1.394
815
1.824
1.421
430
Para afinar an ms el resultado, la primera rbrica se subdividi en:

a)
b)
c)
contratos de pensiones para trabajadores: para el que se usaron datos del

mercado portugus
salud: para el que se usaron datos del mercado francs y se tuvieron en
cuenta los resultados de un estudio realizado por Swiss Re121
resto
Los valores obtenidos para M2 , pr , r se recogen en la siguiente tabla:

ramo
1
2
3
4
5
M,pr,r
7,5%
3%
5%
10%
10%
ramo M,pr,r ramo M,pr,r

6
11
12,5%
7,5%
7
12
10%
12,5%
8
13
10%
15%
9
14
12,5%
15%
10
15
5%
15%
2 fase: clculo de V y desviacin tpica global

La medida de volumen global se obtiene por suma de cada una de las medidas
individuales en cada ramo:
V = (Vpr , r + Vres , r )
r
Por lo que se refiere al clculo y obtencin de la desviacin tpica global, el

proceso comienza con los datos de una aseguradora individual, para la que el
riesgo por primas y reservas se expresa como:
X = (X pr , r + X res , r )
r
siendo X el riesgo de ese asegurador para toda la cartera de no vida, Xpr,r el

riesgo por primas para el ramo r y Xres,r el riesgo de reservas para el ramo r. La
varianza de X es:
121
Swiss Re (2006): Solvency II: an integrated risk approach for European insurers, Sigma n 4.
194
r
=
2 ( X ) = 2 (X pr , r + X res , r )
en donde es la matriz de correlaciones. Como quiera que (X) se puede

expresar como (X) = V y si X es el riesgo de primas, entonces:
(Xpr,r) = pr,rVpr,r
y si es el riesgo de reservas, entonces:
(Xres,r) = res,rVres,r
pr,r y res,r son las desviaciones tpicas de los riesgos de primas y reservas en
el ramo r en relacin con la medida de volumen V. Por tanto:
(X ) 1
=
=

V
V
As, en este caso la desviacin tpica se calcula como:
1
=
a pr Vpr a res Vres a pr Vpr
2
V
a res
Vres ]
siendo:
apr = pr,r r = 1,...,n
ares = res,r r = 1,...,n
Dentro de hay que fijar los siguientes pares de correlaciones:
entre las primas del ramo i y las del ramo j
entre las reservas del ramo i y las del ramo j
entre las primas del ramo i y las reservas del ramo j
siendo en cada caso i y j iguales o distintos.
Por razones de simplicidad, los elementos de se fijaron de la siguiente
manera:
para cualesquiera dos ramos, las correlaciones entre las primas y las
reservas coinciden, es decir, corr(pri,prj) = corr(resi,resj) i,j
para cada ramo, la correlacin entre primas y reservas se fija en 0,5
las correlaciones entre las primas de un ramo y las reservas de otro
diferente son el 50% de la correlacin entre las primas de ambos ramos.
Por tanto, la matriz es:

pr
=
pr
pr
pr
= 0,50 de orden (2n 2n)
195
Para fijar los coeficientes de pr se parti de un anlisis estadstico entre los

ramos correspondientes al mercado alemn. Para un cierto par (r1,r2) se
analizaron las ratios de siniestralidad del periodo 1988-2002. Para cada
asegurador individual -del cual se dispona como mnimo de 10 observaciones
de la ratio de siniestralidad- se obtuvo la correlacin especfica entre ramos. A
partir de ellas se obtuvo la media de las correlaciones individuales.
La seleccin final de los valores de las correlaciones se hizo teniendo en
cuenta, no slo los resultados obtenidos, sino tambin los obtenidos en los
modelos internos de ciertas aseguradoras y ciertos factores de tipo cualitativo.
Los valores de la matriz son los siguientes122:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1
1
0,50
0,50
0,25
0,25
0,25
0,25
0,50
0,25
0,50
0,25
0,50
0,25
0,25
0,25
10
11
12
13
14
15
1
0,50
0,25
0,25
0,25
0,25
0,25
0,25
0,25
0,25
0,50
0,25
0,25
0,25
1
0,25
0,25
0,25
0,25
0,25
0,25
0,50
0,25
0,50
0,25
0,25
0,25
1
0,50
0,50
0,25
0,50
0,25
0,50
0,25
0,50
0,25
0,25
0,25
1
0,25
0,25
0,25
0,25
0,50
0,50
0,50
0,25
0,25
0,25
1
0,25
0,25
0,25
0,25
0,50
0,50
0,25
0,25
0,50
1
0,25
0,25
0,25
0,50
0,50
0,50
0,25
0,50
1
0,50
0,50
0,25
0,50
0,25
0,50
0,25
1
0,50
0,25
0,50
0,25
0,50
0,25
1
0,25
0,50
0,25
0,50
0,25
1
0,50
0,50
0,25
0,25
1
0,25 1
0,25 0,25 1
0,50 0,25 0,25 1
2.7. Riesgo catastrfico de no vida -NVCATPara su clculo se han considerado catstrofes naturales tanto a nivel nacional
como supranacional. Se incluyen catstrofes definidas por Austria, Dinamarca,
Francia, Alemania, Italia, Noruega, Polonia, Portugal, Suecia y Reino Unido,
tales como inundaciones, granizadas, huracanes, terremotos, crisis financieras
y/o epidemias. De forma resumida se recogen en la siguiente tabla:
122
Los 15 ramos que se recogen en la matriz son los siguientes:

1.- Accidentes: compensacin a trabajadores
2.- Accidentes: salud
3.- Accidentes: otros
4.- Motor: responsabilidad civil
5.- Motor: otros
6.- Martimo, aviacin y transporte MAT7.- Incendio
8.- Responsabilidad civil
9.- Crdito
10.- Asistencia Jurdica
11.- Asistencia
12.- Varios
13.- Reaseguro propiedad14.- Reaseguro personas15.- Reaseguro MAT-.
196
Crisis
Inundaciones Granizadas Huracanes Terremotos financiera
Austria
Dinamarca
Francia
Alemania
Italia
Noruega
Polonia
Portugal
Suecia
R. Unido
Epidemias
Dentro de las de alcance supranacional se incluyen -todas ellas con una

probabilidad de ocurrencia de una vez cada 200 aos, es decir, 0,5%-:
Naturales: vendavales
De origen humano:
choque entre aeronaves sobre el espacio areo de una gran ciudad
accidente de vehculos a motor, como un accidente ferroviario con
prdidas humanas o un derrame de productos qumicos que originase
contaminacin
ataques terroristas o accidente de avin sobre un acontecimiento
deportivo o musical
crisis financiera
En este caso, el clculo del capital asociado es:

NVCAT =
CAT
2
i
siendo CATi el coste de cada catstrofe que exceda un cierto lmite. Ese lmite
o umbral se fija en el 25% del coste del peor de los escenarios.
3. MCR
3.1. Clculo global del MCR
Para obtener esta cifra deseada es necesario calcular previamente los
siguientes conceptos:
MCRMDO
MCRNV
MCRV
MCRSS
RDB
MCRA
MCR asociado al riesgo de mercado

MCR asociado al riesgo de no vida
MCR asociado al riesgo de vida
MCR asociado al componente de riesgo especial, por
ejemplo, el riesgo tcnico de salud
= reduccin por reparto de beneficios
= MCR absoluto
=
=
=
=
197
La cifra de MCR previa a los ajustes por mnimos -floor adjustments- se

obtiene:
MCR = MCR MCR RDB
siendo MCR el vector de cantidades mnimas para cada uno de los riesgos
considerados individualmente y la matriz de correlaciones entre ellos, que es:
MCRMDO
MCRNV
MCRV
MCRS
MCRMDO
1
1/4
1/4
1/4
MCRNV
MCRV
MCRS
1
0
1/4
1
0
Por su parte, el MCR ajustado a mnimos es igual a:

MCR/ MCRA = max{MCR; MCRA}
en donde MCRA puede ser el umbral general o los alternativos, que el QIS3
denomina como MCRA2 y MCRA3.
3.2. La reduccin por reparto de beneficios -RDBRecoge la posible reduccin de prdidas debidas a repartos no garantizados de
beneficios. Se incluyen tanto las actividades de vida como de no vida. Para su
clculo se necesita la siguiente informacin:
PTcb,i
PTrescate,i
PTindem,i
= Provisiones tcnicas123 para el fondo i-simo124 con reparto

de beneficios en donde se recogen tanto los beneficios
garantizados como los que no lo estn.
= Valor de rescate de las indemnizaciones garantizadas por
contrato en el fondo i-simo que tenga reparto de beneficios.
= Provisiones tcnicas relativas a repartos futuros no
garantizados para el fondo i-simo que tenga reparto de
beneficios
La cifra de RDB se obtiene como:
RPB = min{max{PTcb , i PTrescate , i ;0}; PTindem , i }

i
123
A estos efectos, cualquier referencia a las provisiones tcnicas en el MCR se entiende que excluye
la cantidad destinada a cubrir el margen de riesgo.
124
A los efectos del QIS3, se entiende por fondo con reparto de beneficios a un conjunto de contratos
con esta caracterstica, tratados como un nico bloque junto con los compromisos subyacentes a
ellos y los activos que generalmente no estn disponibles para cubrir otros compromisos.
198
3.3. MCR asociado al riesgo de mercado -MCRMDOSe evala para todo el balance exceptuando los activos que estn cubriendo
los compromisos de los unit-linked. Se necesita la siguiente informacin:
RV
prop
RFV
RFNV
RF
RF*
PT
DRF
DPT
r(t)
= Valor de mercado de todas las posiciones en renta variable y en

UCITS125
= Valor de mercado de las posiciones en inmuebles
= Valor de mercado de los activos ligados al negocio de vida,
incluyendo deuda pblica y UCITS especializados en renta fija
= Valor de mercado de los activos ligados al negocio de no vida,
incluyendo deuda pblica y UCITS especializados en renta fija
= Es la suma de RFV ms RFNV
= Valor de mercado de todos los activos de renta fija, incluyendo
los UCITS pero excluyendo la deuda pblica emitida en moneda
local que est garantizada por el gobierno nacional o por otro de
la OCDE o del EEE.
= valor de mercado de las provisiones tcnicas
= Duracin media de los activos de renta fija
= Duracin media de las provisiones tcnicas
= Estructura temporal de los tipos de inters
En cuanto a las posiciones en UCITS debe distinguirse entre RV, Prop y RF

siempre que sea posible. Si no fuera as, deber ser tratado como renta
variable. En todos los casos los flujos de caja utilizados para calcular las
duraciones deben ser coherentes con los utilizados para obtener el mejor
estimador.
Se plantean dos posibilidades para obtener el valor del MCR asociado a este
riesgo:
Alternativa 1:
MCR mdo1 =
(0,12RV + 0,08 prop )2 + (0,054RFV + 0,027RFNV )2
Para su calibracin se toma como referencia el mercado de un estado

miembro, utilizndolo como informacin bsica la referida a 400 empresas
y los resultados de los QIS anteriores.
Para el componente de Renta variable se ha supuesto que los
rendimientos siguen una normal de media 10% y desviacin tpica 16,9%.
Como el VaR en el MCR es al 90%, lleva a una cantidad de capital
cercana al 12%126.
Para el componente de propiedades la muestra utilizada en QIS2 (19982005) no recoga la cada de precios registrada a comienzos de los 90 en
125
126
UCITS son las siglas de Undertakings for Collective Investments in Transferable Securities, que
sera algo as como Fondos de Inversin especializados en activos negociables.
La cifra se obtiene como -z0,90 = 10% -1,2816,9% = -11,11% 12%.
199
los mercados de referencia127. Por esta razn se tom como rendimiento

medio el 7% y como desviacin tpica el 12%128.
Por su parte, para el componente de Renta fija se ha utilizado el sistema
del QIS2. Es decir, tomando como tipo medio el 4%, como duraciones
para el negocio de no vida y de vida 2 y 7 aos respectivamente y un
cambio del 20%, se obtienen unos coeficientes de 5,4% para vida y 2,7%
para no vida129.
Alternativa 2:
MCR mdo 2 =
(MCR
2
2
+ MCR prop ) + MCRdif
+ MCRint
2
RV
siendo:
MCRRV = 0,12RV
MCRprop = 0,08Prop
MCDdif = 0,025RF*
MCRint = max{0; VANsubida ; VANbajada }.
en donde VANsubida es el cambio en el valor neto de los activos ante una

subida en los tipos de inters, que se define como:
mod
mod
mod
mod
RF DRF
r DRF
s sub PT DPT
r DPT
s sub
VANbajada es el cambio en el valor neto de los activos ante una bajada en

los tipos de inters, que se define como:
mod
mod
mod
mod
RF DRF
r DRF
s baj PT DPT
r DPT
s baj
Para su calibracin hay que tener en cuenta que las componentes de

renta variable y de propiedades son exactamente iguales que en el caso
anterior. Por lo que se refiere al componente asociado al riesgo de
diferencial, el coeficiente que multiplica a RF* se obtiene aplicando la
expresin del mdulo de diferencial en el SCR suponiendo que la
duracin es de 5 aos, el rating es A, que el factor se ajusta para un
shock equivalente al 90% del VaR y que posteriormente se redondea130.
127
Se utilizaron datos de Holanda (1977-2005), Francia (1998-2005), Alemania (1996-2005), Suecia

(1997-2005) y Reino Unido (1971-2005).
128
Para un VaR al 90% es igual a 7% -1,2812% -8,42%, de ah el 8%.
129
130
D
P
D
r tenemos que r = 0,2r = 0,08 y que

es igual a 2 7
1+ r
1+ r
P
P
7 0,08 = 0,056 que es una cifra
segn el caso. Para el caso de vida tenemos que:
P
aproximada a la que se recoge en el MCR.
Considerando que
La expresin utilizada es P m (dur i ) F (rating i ) siendo:
200
Por su parte, para la calibracin del riesgo de inters hay que tener en
cuenta que el clculo de las modificaciones al alza y a la baja en los tipos
de inters se ha hecho igual que en el mdulo de tipos de inters del SCR
pero para un VaR del 90%.
La tabla de cambios relativos en los tipos es la siguiente131:
Vencimiento
ssubida
sbajada
1
0,37
-0,31
2
0,31
-0,28
3
0,28
-0,26
4
0,25
-0,25
5
0,23
-0,23
6
0,21
-0,22
7
0,20
-0,21
8
0,19
-0,21
9
0,18
-0,20
10
0,17
-0,20
11
0,17
-0,20
12
0,17
-0,20
13
0,17
-0,20
14
0,17
-0,20
15
0,17
-0,20
16
0,17
-0,19
17
0,17
-0,19
18
0,16
-0,19
19
0,16
-0,18
20
0,16
-0,18
21
0,15
-0,18
22
0,15
-0,18
23
0,15
-0,18
24
0,15
-0,18
25
0,15
-0,18
26
0,15
-0,18
27
0,15
-0,18
28
0,15
-0,18
29
0,15
-0,18
30
0,15
-0,18
m(duri) = duri ya que el rating es A

F(ratingi) para el 99,5% es 1,03%. La cifra equivalente para el 90% ser:
1,28
1,03% = 0,511%
2,58
Por tanto, el coeficiente se obtiene como 5 0,511 % = 0,0255 % 0,025 .
131
A modo de ejemplo, se calcula el cambio para t = 10 aos. Como se supone que los cambios en los
tipos siguen una normal, entonces la modificacin al alza es: zs = + 1,28 . Tomando = 0,15
se obtiene que: zs = + 1,28 0,15 = 0,192 + . Igual clculo se hara para la bajada:
zb = 1,28 0,15 = 0,192 .

es la tendencia de los tipos en el tiempo -desconocida en el texto-. Si tomamos = -0,03 se
obtiene que: zs = 0,192 0,03 = 0,162 e z s = 1,1758 , es decir, va asociado a un cambio
relativo del 17,5%. Para la bajada tenemos que: zb = 0,03 0,192 = 0,222 e z b = 0,8009 , es
decir, va asociado a un cambio relativo del -20%.
201
De todos ellos, se toman las medias de los referidos a los plazos entre 7 y 12
aos, obtenindose un 18% como cambio relativo de subida y un -20% como
cambio relativo de bajada132-.
3.4. MCR asociado al riesgo tcnico de no vida -MCRNVSe ha usado el mismo modelo que en el SCRNV para el submdulo de primas y
reservas pero compatible con un VaR del 90%. En el caso de las primas se ha
considerado nicamente la volatilidad del mercado. Los factores y para
cada ramo se obtuvieron como133:
i = 90 pr , i
i = 90 res , i
Para su clculo se necesita la siguiente informacin:
PSPi = Provisin por siniestros pendientes para el ramo i, neta de

reaseguro
Pi
= Primas devengadas netas en el ramo i durante el ao anterior
El clculo es:
MCRNV = max H P ;0,65 i Pi + max H PSP ;0,65 i PSPi
siendo HP y HPSP los ndices de Herfindahl para primas y provisiones por

siniestros respectivamente, los cuales se obtienen como:
HP =
PSP
Pi
H PSP =
PSPi
El valor 0,65 usado en los factores de concentracin se obtuvo como aqul que
minimiza la suma en un conjunto de datos:
MCR
SCRNV 1
90
Para ello se utiliz una muestra de 80 empresas pertenecientes a 2 pases. Sin

embargo, como la divisin exigida por el QIS3 no estaba disponible en todos
los casos, se procedi a generar una muestra aleatoria para mejorar la
132
Es decir, que si r = 5%, entonces una subida del 18% lo situara en el 5,90% y una bajada del 20%
lo dejara en el 4%.
133
Por ejemplo, si i = 1, entonces:

i = 90 pr , i = 1,28 7,5% = 9,6% 10%
i = 90 res , i = 1,28 15% = 19,4% 19,5%
202
estimacin, por lo que se obtuvieron dos estimaciones, una con los datos
originales y otra con los datos generados.
Los coeficientes para el ramo i-simo -desde 1 hasta 15- son los que se
ramo
1
2
3
4
5
ramo
ramo
i
i
i
i
i
i
6
11
10% 19,5%
16,5% 19,5%
10%
13%
7
12
4%
10%
13%
13%
16,5% 19,5%
8
13
6,5% 19,5%
13% 19,5%
19,5% 19,5%
9
14
13% 16,5%
16,5% 13%
19,5% 26,5%
10
15
13%
10%
6,5% 13%
19,5% 26,5%
3.5. MCR asociado al riesgo tcnico de vida -MCRVSlo se consideran los riesgos de longevidad y mortalidad. Se calcularon igual
que en el SCR pero para un VaR al 90%. Para el MCR no se incluyen los
riesgos de discapacidad ni morbilidad.
Para su clculo se necesita la siguiente informacin:
PTlong = Provisiones tcnicas netas en las que se ha descontado cualquier

indemnizacin pagadera por la muerte del asegurado
CER = Capital en riesgo de la cartera
Gul = Gastos administrativos durante el ltimo ao en el negocio de
unit-linked
El clculo tiene en cuenta los riesgos de longevidad, mortalidad y los unitlinked:

2
2
MCRV = MCR long
+ MCRmort
+ MCRul
siendo:
MCRlong = 0,001PTlong
MCRmort = 0,00025CER
MCRul = 0,12Gul.
3.6. MCR asociado al riesgo de salud - MCRSS Es el asociado al seguro de salud que se practica de forma similar al negocio
de vida134. La informacin necesaria es:
NS = nmero de personas aseguradas en salud

IB = suma bruta de indemnizaciones (pagadas o no) ms gastos anuales
asociados al negocio de salud. Se incluyen todos los siniestros y
134
Recogido en el artculo 16a(4) de la Directiva 73/239/CEE, modificada por la 2002/13/CE.
203
gastos asociados a los riesgos de siniestros, mortalidad, cancelacin

y gastos.
La calibracin se ha hecho teniendo en cuenta datos de mercado de las
siguientes variables:
Ik = tamao muestral de los riesgos del k-simo asegurador

Ak = total de riesgos del k-simo asegurador
Sk = suma de los siniestros de la muestra tomada al k-simo asegurador:
Sk = x i , k
i I k
Sk2 = suma de los siniestros al cuadrado de la muestra tomada al k-simo

asegurador:
Sk2 = xi2, k
i I k
sk = desviacin tpica estimada de la variable aleatoria que recoge el valor

de siniestros por persona y ao en el k-simo asegurador.
El objetivo es obtener el valor de en la siguiente expresin:
MCRSS = c
Ak
Sk
tal que MCRSS ms las cantidades dotadas sean tales que con un 90% de
confianza se pueda afirmar que el capital disponible para este riesgo supere a
las provisiones tcnicas para el mismo. se obtiene a partir de la siguiente
expresin:
Sk
Pr ob X < c
Ik sk
A
k
Sk
c
I k sk
Ak
= 0,9
en donde X N(0,1) y es la funcin de distribucin de una normal estndar.

Este mecanismo se aplic a los datos de un Estado miembro, obtenindose
que perteneca al intervalo entre 2,1 y 7,6, tomndose un valor de 5, que es
prcticamente el valor medio.
Finalmente, el clculo a realizar es:
MCRSS = 1,28
NS
IB
=5
204
3.7. MCR absoluto -MCRASe consideran tres posibilidades:
una cifra general de 1.000.000

una primera cifra alternativa de 2.000.000
una segunda cifra alternativa de 3.000.000
4. ESPECIFICACIONES PARA LA FRMULA ESTNDAR EN GRUPOS

Una vez descrito el modelo general para una entidad, se expone cmo debera
ser o cmo debera aplicarse este mtodo de clculo del capital econmico en
un grupo de entidades dedicadas a o con intereses en el negocio asegurador.
Por ello, la exposicin aborda tres aspectos esenciales:
1)
qu se entiende por grupo
2)
qu riesgos afectan a un grupo
3)
la distincin entre capital exigido y disponible en este caso
4.1. Definicin de grupo

Para Solvencia II, la definicin de grupo se basa en el artculo 3 de la Directiva
98/78/CE135, del Parlamento Europeo y del Consejo de 27 de octubre de 1998
relativa a la supervisin adicional de las empresas se seguros que formen parte
135
El citado artculo se refiere al alcance de la supervisin adicional y establece que:

1.
La supervisin adicional a que se refiere el artculo 2 no implicar, en modo alguno, que
las autoridades competentes estn obligadas a ejercer una funcin de supervisin sobre la
empresa de seguros de un tercer pas, la sociedad holding de seguros o la sociedad holding
mixta de seguros o la empresa de reaseguros consideradas individualmente.
2.
La supervisin adicional deber tener en cuenta:
las empresas vinculadas a la empresa de seguros,
las empresas participantes en la empresa de seguros,
las empresas vinculadas a una empresa participante en la empresa de seguros, a que
se refieren los artculos 5, 6, 8, 9 y 10.
3.
Sin perjuicio de lo dispuesto en el punto 2.5 del anexo I y en el punto 4 del anexo II, los
Estados miembros podrn tomar la decisin de no tener en cuenta, en el mbito de la
supervisin adicional contemplada en el artculo 2, las empresas que tengan su domicilio
social en un tercer pas en el que existan obstculos de carcter jurdico para la
transmisin de la informacin necesaria. Adems, las autoridades competentes encargadas
de ejercer la supervisin adicional podrn, en cada caso, tomar la decisin de no tener en
cuenta una empresa, para la supervisin adicional contemplada en el artculo 2, en los
casos que se enumeran a continuacin:
cuando la empresa que debera incluirse revista escaso inters en lo que respecta a
los objetivos de la supervisin adicional de las empresas de seguros,
cuando la inclusin de la situacin financiera de la empresa resulte inadecuada o
pueda inducir a error en lo que respecta a los objetivos de la supervisin adicional de
las empresas de seguros.
205
de un grupo de seguros. Deber incluir la casa matriz o holding y compaas

relacionadas filiales -si el control supera el 50%- y participadas -si el control se
sita entre el 20% y el 50%-.
De acuerdo con el Anexo I 1B de la citada Directiva136, los clculos de
solvencia debern tener en cuenta el porcentaje que el grupo posee en la
empresa filial o participada excepto cuando sta tenga un dficit de solvencia,
en cuyo caso no deber considerarse la parte proporcional sino el total del
dficit. Cuando se excluya una entidad -artculo 3(3) de la Directiva- el valor de
la inversin del grupo en ella ser deducido del capital disponible del grupo.
En cada uno de estos casos, se deber indicar la razn de la exclusin y el
valor neto de los activos de cada entidad excluida.
Uno de los temas cruciales a la hora de abordar el clculo del capital de un
grupo es el referido a la posible transferencia de fondos de una entidades a
otras con el propsito de que los excedentes de unas permitan cubrir los dficit
de las otras. En el mbito de Solvencia II se aplicar el principio de
transferencia tal y como est indicado en el Anexo 1.1 C3137 de la Directiva de
Grupos de Seguros -la 98/78/CE, de 27 de octubre-. A nivel individual,
cualquier restriccin en la transferencia de activos reduce la capacidad de que
los beneficios en una cartera se utilicen para compensar prdidas en otra.
Para entidades dentro de un grupo, este principio tiene implicaciones tanto en
el clculo del capital disponible como en el SCR.
Las causas para restringir la transferencia son las siguientes:
1)
2)
que se necesiten los activos para cumplir con las exigencias individuales
de capital de una determinada entidad del grupo
que los activos estn asignados a cierto fin
136
Establece lo siguiente:
En el clculo de la solvencia ajustada de una empresa de seguros se tendr en cuenta la
participacin proporcional que posea la correspondiente empresa participante en sus empresas
vinculadas.
Por participacin proporcional se entender, cuando se emplee el mtodo 1 o el 2 descritos en
el punto 3, la proporcin de capital suscrito que posea, directa o indirectamente, la
correspondiente empresa participante, o bien si se emplea el mtodo 3 descrito en el punto 3, los
porcentajes utilizados para confeccionar las cuentas consolidadas.
No obstante, cualquiera que sea el mtodo aplicado, cuando una empresa vinculada sea una
empresa filial y tenga un dficit de solvencia, habr de computarse el dficit de solvencia total de
la filial.
No obstante, en los casos en que, a juicio de las autoridades competentes, la responsabilidad de la
empresa matriz que posea una parte de capital se limite estrictamente y sin ambigedades a dicha
parte de capital, dichas autoridades competentes podrn permitir que el dficit de solvencia de la
empresa filial se tenga en cuenta de manera proporcional.
137
La norma establece lo siguiente:

Cuando las autoridades competentes consideren que determinados elementos aptos para
constituir el margen de solvencia de una empresa de seguros vinculada, distintos de los
contemplados en el punto C.2, no pueden estar disponibles de modo efectivo para cumplir el
requisito de margen de solvencia de la empresa de seguros participante cuya solvencia ajustada
se calcule, dichos elementos slo podrn incluirse en el clculo en la medida en que sean aptos
para cubrir el requisito de margen de solvencia de la empresa vinculada.
206
3)
4)
5)
6)
que los activos se hayan financiado mediante deuda subordinada

que los activos se hayan financiado mediante minoritarios
que la disponibilidad de activos est restringida debido a la situacin fuera
del EEE o por ser entidades del sector
que haya posibilidad de transferencia parcial debido a la existencia de
costes de transferencia -por ejemplo, impuestos locales-
Finalmente, hay tres circunstancias que han merecido un tratamiento especial

en el QIS3 y que son las siguientes:
1)
Entidades del grupo no situadas en el EEE:

Se les tendr en cuenta para los clculos de Solvencia II. Los capitales
exigidos y disponibles en este caso se calcularn de acuerdo con las
reglas locales siempre que sean coherentes con Solvencia II. Si no fuera
as, se aplicar el sistema europeo. Si hubiera un control mltiple, se
aplicar el ms exigente.
En cuanto a la transferencia de capital entre las partes del grupo que no
sean del EEE y los que s lo son, no se reconocer tal cualidad si no
existe plena transferencia. Lo mismo ocurrir con los excedentes de
capital en las entidades que no son del EEE.
No se incluir como capital disponible del grupo salvo que exista total
disponibilidad de los mismos para cubrir prdidas en cualquier parte del
grupo.
A efectos del QIS3 se agregarn de forma independiente el SCR de las
entidades que estn dentro del EEE y las que no lo estn.
2)
Participaciones dentro del sector financiero y asegurador:

Bajo el rgimen de Solvencia II se espera que las participaciones en
entidades de crdito, empresas de inversin e instituciones financieras se
les trate de acuerdo a lo indicado por la Directiva 2002/87/CE, del
Parlamento europeo y del Consejo, de 16 de diciembre de 2002, relativa a
la supervisin adicional de las entidades de crdito, empresas de seguros
y empresas de inversin de un conglomerado financiero, en su artculo
28(6)138.
138
El texto dice lo siguiente:

Cuando se calcule la solvencia ajustada de una empresa de seguros que sea una empresa
participante en una entidad de crdito, empresa de inversin o entidad financiera, se aplicarn,
mutatis mutandis, las normas establecidas en el apartado 1 del artculo 16 de la Directiva
73/239/CEE y en el artculo 18 de la Directiva 79/267/CEE sobre la deduccin de dichas
participaciones, as como las disposiciones relativas a la facultad de los Estados miembros de
permitir, en determinadas condiciones, que se apliquen mtodos alternativos y que no se deduzcan
dichas participaciones.
207
3)
Entidades no reguladas dentro del grupo:

Se refiere a todos aqullas que ofrecen servicios que o bien son
complementarios a la actividad aseguradora o bien no estn regulados.
En todos los casos se deber dar informacin sobre ellos. En el caso de
la actividad referida a fondos de pensiones se deber indicar si es
gestionada por el grupo o por terceros. Se deber facilitar informacin
sobre el tamao de los riesgos soportados por estas compaas y el modo
en que se cuantifican.
4.2. Riesgos que pueden afectar a un grupo

Un grupo es algo ms que la suma de entidades bajo un control ms o menos
directo. Si fuese slo so, entonces los capitales asociados a cada riesgo
seran simplemente la suma de los correspondientes capitales individuales. Sin
embargo, existen situaciones no incluidas en el esquema general que pueden
suponer reducciones de capital para el conjunto. Entre ellas, cabe citar las
siguientes:
1)
2)
3)
4)
5)
6)
riesgo de contagio
riesgo legal
riesgo asociado a la reputacin
ausencia de transparencia
conflicto de intereses
concentraciones
Sin embargo, estos riesgos no se contemplan en la frmula estndar del SCR.

No obstante, a efectos del QIS3, se pide a las empresas participantes que
sealen tales riesgos y que sugieran algn mecanismo para su medicin.
Si obviamos, de momento, estos aspectos, no por su escasa importancia sino
por la complejidad que conlleva su cuantificacin, y nos centramos en la
trasposicin para un grupo del esquema general presentado para una entidad,
entonces los riesgos objeto de estudio pueden recogerse en el siguiente
esquema:
208
Como puede apreciarse, el esquema es el mismo excepto que aqu aparece

una nueva casilla, la rotulada como CRot, que es la que recoge la cantidad de
capital asociada a las posiciones en determinadas filiales. Es decir, los clculos
con la frmula estndar se refieren nicamente a empresas aseguradoras y
reaseguradoras del EEE.
En el caso en que se tenga participacin en entidades aseguradoras en
terceros pases, su contribucin a las exigencias de capital ser la suma de los
requisitos locales en sus pases. Si esas entidades formasen un subgrupo con
exigencias especiales de capital se mantendrn estas ltimas. A este capital se
le recoge por las siglas CRtc.
En el caso de tener participaciones en otras entidades del sector financiero las
exigencias de capital para este caso son las CRofs. Al igual que antes, si las
participaciones en otras entidades del sector financiero formar un grupo con
exigencias especficas de capital, se mantendrn estas ltimas.
Para participaciones en aseguradoras en el EEE su contribucin a las
exigencias de capital del grupo sern igual al SCR individual de cada una
multiplicado por la participacin del grupo en ellas. A este capital se le
denomina CReq.
209
La suma de estas tres partidas, CRtc + CRofs + CReq se recoge en CRot, el cual
se sumar al SCR obtenido por la frmula estndar. Para todos aquellos
grupos que no pueden realizar los clculos a nivel consolidado para un cierto
submdulo, deberan hacer la suma de los SCR individuales en esos
submdulos e indicar que estn realizando el clculo de esta forma.
En cuanto al resto de los riesgos, el tratamiento es el siguiente:
1)
Riesgo tcnico de no vida

NVpr:
se trata de obtener la cifra de NVpr para cada ramo y cada entidad y
sumarlas suponiendo las siguientes correlaciones:
si a = b e i = j
1
corr NVpr (a, i ); NVpr (b, j ) = 0,75 si a = b e i j

0,50 si a b
siendo a, b pases e i,j empresas individuales.
NVCAT::
se basa en la simulacin de diferentes escenarios extremos. Para el QIS3
esos escenarios se definan tanto a nivel nacional como supranacional.
2)
Riesgo de impago por la contrapartida

En este caso, la variable clave es el coste de reemplazamiento -CR-,
definido como la diferencia entre las provisiones tcnicas brutas y netas
de reaseguro, ajustadas por el efecto de las garantas. Se debera
calcular como la suma de los CR individuales ya que los reductores de
riesgo son especficos de cada entidad. Es ms, el clculo de los CR
individuales deber eliminar las transferencias intragrupos139.
3)
Riesgo tcnico de vida

Se fijan los mismos submdulos que en el SCR individual -mortalidad,
longevidad, discapacidad, suspensin, revisin, gastos y catstrofesusndose la misma matriz de correlaciones que en el caso de los SCR
139
Para entenderlo mejor vase el siguiente ejemplo. Si dos entidades, A y B, estn reaseguradas con
la misma entidad C, a la cual, cada una cede provisiones tcnicas por valor de 100. A tiene
garantas por 120 y B por 80. Si el CR se calculase a nivel global, entonces sera:
I
CR =
(PT
garanta i ) = (100 120 ) + (100 80) = 20 + 20 = 0
i =1
Sin embargo, como el exceso de garantas de A no puede compensar la falta de garantas de B, la

posicin real sera:
I
CR =
max{PT
garanta i ;0} = max{100 120;0} + max{100 80;0} = 0 + 20 = 20
i =1
210
individuales. En todos los casos, su cuantificacin es igual a la suma de

cada una de las cargas individuales.
4)
Riesgo de mercado
El tratamiento es distinto segn el submdulo del que se trate.
Riesgo de tipo de inters

En este caso, en los negocios de vida, una hiptesis general es que
los contratos en los que hay reparto de beneficios se evita la
transferencia de beneficios entre entidades. Por ello, la cantidad de
capital sera la suma de las cargas individuales para este riesgo. Sin
embargo, en los negocios de no vida, s se permite la transferencia
de capital de unas entidades a otras por lo que las exigencias de
capital se calculan a nivel consolidado. A su vez, en cada caso,
conviene distinguir entre el impacto de subidas de tipos del
ocasionado por las bajadas. Su expresin analtica es:
n
V
NV
max{0; VAN i (subida )}+ max{0; VAN i (subida )};
i =1
Mdoint = max n
max{0; VAN V (bajada )}+ max{0; VAN NV (bajada )}
i
i
i =1
Riesgo de renta variable, propiedad y tipo de cambio

Se aplica el mismo esquema que el expuesto para el riesgo de
inters. En estos casos, para eliminar las cantidades de capital que
puedan surgir por las transacciones intragrupos, se considera que
los valores de las participaciones se hayan invertidas en metlico.
Por tanto, el clculo es:
n
Mdo j = MdoVi , j + MdoiNV

,j
j = RV , prop, fx
i =1
5)
Riesgos de diferencial y concentracin: en estos casos, los clculos

se hacen con los datos consolidados.
Riesgo tcnico de salud -mdulo especialSe consideran los tres submdulos del SCR individual -gastos, siniestros
y de acumulacin- y se agregan usando la misma matriz de correlaciones.
Para cada caso:
n
S j = Si , j
j = gastos, siniestros, acumulacin
i =1
Dentro de este mdulo, el nico caso que requiere un tratamiento distinto

es el referido al riesgo de acumulacin. En el caso individual, este riesgo
se obtena como una funcin lineal de la proporcin de las primas sobre el
total de primas del sector140. Sin embargo, puede ocurrir que la empresa
140
La cantidad de capital se obtiene como: Sac = ac
SIN t
PBIMSt
Pt siendo:
211
se reasegure con otra del grupo con que esas primas se duplican. Para
evitar esa doble contabilizacin, se debern deducir los reaseguros
internos del total de primas. Por tanto:
n
S j = Si*, ac
i =1
en donde el asterisco recoge las primas netas de reaseguro interno.

Por lo que se refiere al SCR asociado al riesgo operacional, es la suma de los
SCROP individuales.
4.2.1. Enfoque alternativo para poner en prctica la frmula estndar a nivel de

grupo
Se propone contrastar el uso de la frmula general con los datos consolidados
para la parte europea del grupo considerando al grupo como una nica entidad.
Al resultado se debera aadir una cantidad positiva que reflejase cualquier
impedimento a la libre transferencia de beneficios entre entidades, tales como
contratos con reparto de beneficios o los impuestos. En este caso, el SCR del
grupo sera:
SCRgrupo = SCReuropeo + CRot
Para ello hara falta las cifras individuales del SCR depuradas de las
transacciones intragrupo -SCRi,dep-. Sera:
SCRgrupo = SCRi , dep + CRot
i
Las cifras individuales estn influidas por el clculo del SCRMDO y del SCRdef ya
que:
por lo que se refiere al SCRMDO, se supone que los impactos analizados

en el enfoque de escenarios no afectan a las transacciones intragrupo. En
el enfoque factorial -o mediante ecuaciones- se supone una carga nula
por activos intragrupo.
por lo que se refiere al SCRdef, la cantidad de capital asociada a este

riesgo a cesiones dentro del grupo es igual a cero.
4.2.2. Informacin sobre actividad en terceros pases

Se podrn realizar los clculos anteriores para todo el grupo con el fin de dar
informacin sobre el grado de diversificacin obtenida con la actividad en
ac el factor de riesgo asociado a esta causa. Se ha fijado en 0,065

SINt = Gastos por siniestros en todo el mercado durante el ao t
PBIt = primas brutas imputadas en el ao t
PBIMSt = total de PBI en el mercado de salud durante el ao t.
212
entidades de pases no europeos. Para QIS3, las entidades en esos pases se

tratarn como sigue:
las provisiones tcnicas se calcularn usando los mtodos prescritos en

las especificaciones tcnicas del QIS3.
las correlaciones utilizadas para el riesgo tcnico de no vida sern las
mismas sea cual sea el pas.
el riesgo catastrfico se tratar de igual manera, es decir, se utilizarn a
nivel individual los escenarios que se definan y se agregarn de igual
forma que en la frmula general.
4.3. Capital disponible

Se tomar como punto de partida las cifras consolidadas de 2006 y se tendr
en cuenta el mtodo utilizado actualmente para determinar el capital disponible
del grupo. De modo especfico se tendrn en cuenta los siguientes aspectos:
a)
Total de capital -capital de accionistas + intereses de minoritariosSu cifra se ajustar a la de la suma de las provisiones tcnicas
individuales depuradas del reaseguro interno del grupo.
b)
Intereses de minoritarios
La cuota de los intereses de minoritarios dentro del excedente en una
entidad en la que un grupo haya invertido no est necesariamente
disponible como capital en cualquier parte del grupo. Solamente ser
incluida dentro del capital disponible del grupo hasta un importe
equivalente a la cuota proporcional que los intereses de minoritarios
representen en el SCR individual de la entidad141. Adems, la contribucin
del SCR individual al SCR del grupo estar limitada a la parte
proporcional que representa el grupo en esa entidad salvo que se
encuentre en situacin de dficit de recursos en cuyo caso todo el SCR
individual se deber incluir dentro de la cifra de capital exigido a todo el
grupo.
c)
Capital hbrido
Son sobre todo acciones preferentes no acumulativas y deuda
subordinada. En principio no pueden ser considerados transferibles de
una entidad a otra salvo que sean emitidos por la entidad matriz:
141
Deuda subordinada: en principio, slo est disponible para respaldar

las actividades de la entidad emisora, por lo que debe considerarse
como no transferible.
Ganancias de capital no realizadas: sern consideradas como

capital disponible en funcin de su disponibilidad y capacidad de
Tal y como sugiere CEIOPS (2006): Summary of comments on CEIOPS-CP-06/05. Draft Answers
to the European Commission on the third wave of Calls for Advice in the framework of the
Solvency II project, Call for Advice n 19, CEIOPS-SEC-20/06.
213
transferencia. Para aquellos grupos que utilizan las normas IAS /

IFRS de consolidacin, estas partidas explicadas dentro de sus
propios fondos sern consideradas pues ya aparecen netas de
impuestos y de reparto a tomadores. Para aquellos casos en los que
estas partidas no estn justificadas debern ser consideradas netas
de impuestos y de futuros repartos a tomadores.
Capital de Nivel 3 -Tier3- : slo sern tales aquellas partidas que

hayan sido autorizadas por el regulador local. En aquellos casos en
los que as sea, se incluir dentro del capital global del grupo
teniendo en cuenta su capacidad de transferencia.
Tratamiento de las participaciones cruzadas dentro del sector: a

efectos meramente informativos, el grupo deber comunicar el
importe de cualquier excedente de capital mantenido en entidades
del sector que sean consolidables. Todas aquellas participaciones
que no gocen de esta propiedad se debern deducir del capital
disponible del grupo.
Tratamiento de las participaciones en aseguradores en terceros

pases: el tratamiento es similar al del caso anterior, es decir, los
grupos debern informar sobre el importe de cualquier excedente de
capital mantenido en entidades situadas en terceros pases pero que
sean consolidables. Para todos aquellos casos en los que no se
disfrute de esta cualidad, el valor de la participacin deber ser
restado del capital disponible del grupo.
214
CAPTULO 5
EL MTODO DE MONTE CARLO
1. INTRODUCCIN AL MTODO DE MONTE CARLO
Antes de pasar a exponer cmo trabajar con la metodologa de Monte Carlo,
conviene definirla, aunque sea de forma breve. Se entiende por tal al sistema
en el cual se generan nmeros de forma aleatoria pero condicionado a que los
datos resultantes sigan un cierto patrn estadstico de comportamiento. Es
decir, el factor de azar utilizado en la elaboracin de los nuevos nmeros se
sita en la primera fase del proceso: la eleccin de un nmero que
generalmente oscila entre cero y uno y que, a priori, cualquier valor en este
intervalo tiene la misma probabilidad de ser elegido. A partir de aqu, se supone
que ese nmero seleccionado es el valor de la funcin de distribucin asociado
al valor buscado. Aqu es donde se introduce la exigencia de un cierto
comportamiento. Por ejemplo, si se desean generar nmeros que sigan un
comportamiento normal, entonces se estara utilizando la funcin de
distribucin asociada a esta ley estadstica. Finalmente, se buscara la
antiimagen de ese nmero entre cero y uno condicionada a la funcin elegida y
se obtendra as el nmero buscado.
Monte Carlo es una metodologa sumamente til para resolver problemas no
slo de naturaleza estocstico sino tambin determinista, que no son solubles
de forma analtica. Ms adelante se expondrn algunos ejemplos. Conviene
destacar que la introduccin del trmino estocstico indica que la simulacin
que se est realizando es dependiente de los valores que adopten una o varias
de las variables clave en ella, las cuales toman valores aleatorios que proceden
de alguna funcin de probabilidad. Desde este punto de vista, este mtodo
puede ser aplicado a cualquier mbito.
En los terrenos actuarial y financiero, algunas de las posibles aplicaciones son:
Modelizacin de seguros de vida y rentas actuariales

Anlisis de inversin en activos
Gestin de activos y pasivos
Diseo de productos y estudio de su precio -tarificacinContrastacin de la solvencia dinmica de una compaa
Modelacin del riesgo colectivo
Distribucin de prdidas en un determinado riesgo
215
Para llevar a cabo una simulacin, los pasos que se suelen dar son los
siguientes:
1)
construccin de un modelo que refleje apropiadamente el fenmeno a

estudiar
2)
diseo del experimento a realizar
3)
generacin repetida de nmeros aleatorios extrados de una o varias

distribuciones de probabilidad
4)
anlisis de los resultados
Si bien tradicionalmente se considera que el mtodo de Monte Carlo se us por

primera vez en EE.UU. para el desarrollo de las primeras armas nucleares, lo
cierto es que el primer uso documentado del mtodo data de una fecha tan
lejana como 1733, en la resolucin del problema conocido como problema de la
aguja de Buffon142. Posterior a este experimento y basndose en l, Laplace143
en 1820 sugiri el clculo del nmero pi. Sin duda alguna, el primer
experimento que podramos considerar de muestreo aleatorio fue el realizado
por William Gossett -ms conocido como Student144- quien, como empleado de
Guiness, estaba estudiando la relacin entre la calidad de dicha cerveza y
algunos factores que intervenan en su produccin. Dado el carcter
confidencial del trabajo, los resultados de dieron a conocer utilizando un
estudio que relacionaba la estatura de 3.000 criminales con la longitud del dedo
corazn de su mano izquierdo. Una vez transcritos los datos se realizaron 750
muestras de tamao 4 cada una.
Finalmente, llegamos al uso del ordenador para llevar a cabo simulaciones
estocsticas. Los primeros en hacerlo fueron los cientficos americanos
encargados del desarrollo de la Bomba H, en concreto fueron Stanislaw Ulam y
John Von Neumann quienes usaron el ordenador de la Universidad de
Pennsylvania para trazar las trayectorias que un neutrn poda seguir en el
transcurso de una fisin nuclear. Como se ha indicado anteriormente, Monte
Carlo puede usarse tanto para la resolucin de problemas determinsticos
como aleatorios. Dentro de los primeros se puede citar la resolucin de
integrales que no encuentran solucin por mtodos analticos. De forma muy
sucinta, el clculo del rea bajo la curva que se trata de calcular -ste es, en
esencia, el sentido de una integral- se hara fijando un rectngulo como el que
aparece en el grfico siguiente e indicando al ordenador que genere un elevado
nmero de puntos dentro de l.
142
Buffon, G.L.L. (1777): Essai darithmetique morale, In: Supplement `a lHistoire Naturelle, Vol.
4, Imprimerie Royale.
143
Laplace, P. (1886): Oeuvres Completes de Laplace, vol. 7. Paris: Gauthier-Villars.
144
Student [W.A. Gosset] (1908): The Probable Error of a Mean. Biometrika, 6: 1-25.
216
(a,c)
(b,c)
(a,0)
(b,0)
A continuacin se cuentan los puntos que estn situados por debajo de la curva
y se calcula la proporcin que representan sobre el total de puntos que hay en
el rectngulo. Finalmente, se calcula el rea del rectngulo y el resultado
obtenido se multiplica por la proporcin de puntos obtenida previamente,
logrndose as el rea buscada.
En cuanto a los segundos, se trata de problemas de naturaleza estadstica que
supone el uso de un conjunto de variables aleatorias, las cuales estn
correlacionadas entre s. Valgan como ejemplos los siguientes:
1)
Estimacin de las tasas de cancelacin anticipada de las hipotecas. Esta

situacin es particularmente interesante en las operaciones de titulizacin
hipotecaria, en las cuales, la evolucin futura de las amortizaciones
previstas se puede ver alterada por dos factores: la cancelacin
anticipada y el impago. En ambos casos, parece razonable suponer que
la evolucin de los tipos de inters tiene una incidencia fundamental. Por
ello, es de suma utilidad trata de generar escenarios con las posibles
evoluciones que sigan los tipos de inters.
2)
A medio camino de los mbitos financiero y actuarial, se encuentra el

caso de las hipotecas inversas pues para evaluar los resultados de este
producto sera necesario conocer la evolucin previsible de los precios del
mercado de vivienda, de la mortalidad de los posibles clientes y, cmo no,
de los tipos de inters
3)
Ya en el mbito plenamente actuarial, el uso de simulaciones estocsticas

es muy til para modelizar situaciones tales como posibles catstrofes o
la evolucin prevista de la siniestralidad.
2. GENERACIN DE NMEROS Y VARIABLES ALEATORIAS

Antes del advenimiento de los modernos ordenadores se utilizaban distintos
sistemas para generar nmeros aleatorios. Por ejemplo, en 1927 L.C. Tippett
217
public una tabla con 41.600 nmeros aleatorios tomados al azar de los
informes del censo. Tras diversas tablas generadas con mquinas entre 1939 y
1951, en 1955 Rand Corporation public un libro con 1.000.000 nmeros
aleatorios generados.
A la par que estas tablas generadas de formas muy originales, comienzan a
aparecer los primeros algoritmos de generacin de nmeros aleatorios. As, en
1951 Von Neumann propuso su mtodo de las posiciones medias en los
cuadrados -Middle Square Method-, el cual genera nmeros aleatorios x0, x1,
x2,... de n o n+1 dgitos. El funcionamiento del sistema es ms o menos de la
siguiente forma: se elige un nmero de n dgitos, se eleva al cuadrado y se
seleccionan las posiciones centrales del resultado.
Ejemplo
Sea x0 = 212 -3 dgitos-, de forma que su cuadrado es igual a 44.944. Los tres
dgitos centrales son 494 y ste es el valor de x1. Para calcular x2, se eleva x1 al
cuadrado, obtenindose 244.036. En este caso, como el resultado es un
nmero de seis dgitos, se escogen las cuatro posiciones centrales, es decir,
4.403 y as sucesivamente.
Por desgracia, este sistema tiene varios inconvenientes, tales como que:
1)
Una mala eleccin de x0 invalida el generador al obtener un resultado que

es el mismo que el de partida. Esto es lo que ocurre si tomamos como
valor inicial del algoritmo el nmero 3.792, ya que su resultado al
cuadrado es 14.379.264, cuyas cuatro posiciones centrales son 3.792
2)
Una vez que la secuencia encuentra el cero, finaliza el proceso. As, si el

valor inicial es 200, su cuadrado es 40.000, cifra en el que las tres
posiciones centrales son 000.
2.1. Generadores coherentes lineales simples

Este tipo de generadores fue propuesto por D.H. Lehmer en 1948145. En ellos,
cada nmero se genera a partir del anterior usando una funcin lineal junto con
una reduccin modular. Es la forma ms simple de generador de nmeros
aleatorios. Su expresin general es:
x i (ax i 1 + c )
mod m
0 xi < m
a>0
c>0
m>0
Es decir, xi es el resto de la divisin entre axi-1 + c y m. Al parmetro a se le

denomina multiplicador, siendo c el incremento y m el mdulo del generador.
Cuando c toma el valor cero, entonces se dice que estamos ante un generador
145
Lehmer, D.H. (1951): Mathematical methods in large-scale computing units. Proceedings of the
2nd Symposium on Large Scale Digital Computing Machinery, Harvard University Press,
Cambridge, Massachusetts, 141-146.
218
coherente multiplicativo y si c es distinto de cero, entonces se habla de

generador coherente mixto. Otra forma de escribir la ecuacin anterior es:
ax + c
x i (ax i 1 + c ) - m ENT i 1
(1)
Siendo ENT la parte entera. La secuencia resultante de la aplicacin de este

generador se la denomina secuencia de Lehmer. Para lograr una secuencia
dentro del intervalo (0,1) basta con dividir cada xi entre m, es decir:
x
ui = i
m
Por tanto:
u i au i 1
mod 1
0 < ui < 1
Como xi se obtiene a partir de xi-1 y dado que como mucho hay m valores
distintos para x, el periodo mximo o amplitud del ciclo de un generador lineal
coherente es de m. Adems, como xi-1 = 0, no es un valor admisible para un
valor multiplicativo, el periodo mximo en este caso es de m-1.
El periodo de un generador coherente multiplicativo con multiplicador a y
mdulo m es funcin del menor valor positivo k tal que:
a k 1 mod m
Cuando el periodo p coincide con el mdulo m se dice que el generador de

nmeros aleatorios tiene un periodo completo. Knuth146 demuestra que un
generador de la forma (1) tiene un periodo completo m si y slo si se verifican
las siguientes condiciones:
1)
c y m son nmeros primos entre s, es decir, no tienen comn divisor
2)
a 1
(mod g ) para cada factor g de m. Esta condicin es equivalente a:

a
a
1 = a g ENT a = 1 + g ENT
g

g
3)
a 1
(mod 4) si m es mltiplo de 4, es decir, es equivalente a:

a
a = 1 + 4 ENT
4
Ejemplo de generador lineal coherente:

Sea a = 3, c = 7 ,m = 5 y x0 = 2. Se obtiene la siguiente secuencia:
146
Knuth, D.E. (1998): The art of computer programming: seminumerical algorithms, Vol. 2.
Addison-Wesley Publishing Company.
219
n
0
1
2
3
4
xn
2
3
1
0
2
3x + 7
5 ENT n
5
10
15
10
5
10
3xn+7
13
16
10
7
13
xn+1
3
1
0
2
3
2.2. Generador de nmeros aleatorios de Fibonacci

En este caso cualquier nmero se obtiene a partir de la siguiente expresin:
x n + 2 = x n +1 + x n
n 0
x0 = 0
x1 = 1
Por tanto, los 10 primeros nmeros de la secuencia son: 0, 1, 1, 2, 3, 5, 8, 13 y

21. Una variante de este mtodo es el denominado Generador de nmeros
aleatorios de Fibonacci con retardos.
En este caso, el generador tiene la expresin:
x n = x n j + x n k
mod m
De forma general, este mecanismo funciona bien si los valores de j, k y m se

escogen adecuadamente. Por ejemplo, Knuth en su obra anteriormente citada
recomienda la siguiente secuencia:
x n = x n 37 + x n 100 mod 2 30
Otra variante de Fibonacci es la conocida como ADD-WITH-CARRY creada por
Marsaglia y Zaman147 que se especifica de la siguiente forma:
x n + 2 = x n +1 + x n + c n + 2
mod m
n = 0,1,2,...
Siendo c2 = 0
y
0 si x n +1 + x n + c n + 2 < m
c n +3 =
1 resto
Es decir, en cada iteracin no slo se calcula xn+2, sino el valor de c que se
aplicar en la siguiente.
Ejemplo
si x0 = 0, x1 = 1 y m = 10, los nueve primeros trminos de la secuencia sern:
147
Marsaglia, G. and Zaman, A. (1991): A New Class of Random Number Generators. Annals of
Applied Probability, 1(3): 462-480.
220
xn
xn+1
cn+2
xn+2
0
1
2
3
4
5
6
7
8
0
1
1
2
3
5
8
3
2
1
1
2
3
5
8
3
2
6
0
0
0
0
0
0
1
1
0
1
2
3
5
8
13
12
6
8
1
2
3
5
8
3
2
6
8
Otra forma de construir generadores es mediante la combinacin de dos o ms.

Por ejemplo, LEcuyer, Simord, Chen y Kelton148 construyen un generador a
partir de dos de Fibonacci con retardos que son:
X 1,n (1.403.580 X 1,n 2 + 810.728 X 1,n 3 )
X 2,n (527.612 X 2,n 2 + 1.370.589 X 2,n 3 )
mod 2 32 209
mod 2 32 22.853
Obteniendo:
Z n X 1,n + X 2,n
mod 4.294.967.087
En donde el mdulo se obtiene como:

mod = max 2 32 209;2 32 22.853
2.3. La generacin de nmeros aleatorios por el mtodo de la inversin

usando distribuciones continuas y discretas
2.3.1. El mtodo de la inversin para distribuciones continuas

Para llevar a cabo la generacin de nmeros aleatorios por el mtodo citado se
suelen utilizar dos mtodos: el de la inversin y el de la tabla de bsqueda look-up-. En este apartado se analizar el primero de ellos.
Sea X una variable aleatoria con funcin de distribucin F(x) = P(X x). Como
F(x) es tal que F(x) 0, entonces F-1(z), funcin inversa de F(x) tiene un
dominio entre 0 y 1, y se define de la siguiente forma:
F 1 (z ) = min{x / F (x ) z}
siendo:
0 z 1
148
LEcuyer, P., Simord, R., Chen, E.J. and Kelton D.W (2002): An object-oriented Random-Number
Package with Many Long Streams and Substreams. Operations Research, 50: 1073-1075.
221
F 1 (0) =
F 1 (1) = +
As, si la imagen de F(x), a la que llamaremos U, se distribuye uniformemente
sobre el intervalo [0,1], entonces la variable aleatoria X definida de la forma X =
F-1(U) tiene a F por funcin de distribucin. En efecto, si:
P( X x ) = P F 1 (U ) x
acumulando probabilidades queda:

P F F 1 (U ) F (x ) = P[U F ( x )] = F ( x )
{[
Dicho de otra forma, para generar un valor x a partir de una distribucin F, el

primer paso a dar consiste en extraer un valor u [0,1] y luego se procede a
calcular x = F-1(u).
Grficamente:
F(x)
Veamos algunos ejemplos de la aplicacin de este principio.
1)
Distribucin exponencial:
en este caso: F (x ) = 1 e
obtiene:
x > 0 > 0 . Haciendo u = F(x) se
u = 1 e
x = ln(1 ) = F 1 (u )
2)
Distribucin Beta (1,):
en este caso: F (x ) = 1 (1 x )
obtiene:
x [0,1] > 0 . Haciendo u = F(x) se
222
u = F (x ) = 1 (1 x ) x = 1 (1 u )
3)
Distribucin Beta (,1):

en este caso: F (x ) = x
x [0,1] > 0 . Haciendo u = F(x) se obtiene:
u = F (x ) = x x = u 1
4)
Distribucin Logstica:
1
en este caso: F (x ) =
1+ e
< x < > 0 . Haciendo u = F(x) se
obtiene:
1+ e
5)
Distribucin de Pareto:

en este caso: F (x ) = +1
x
obtiene:
0 < x < > 0 . Haciendo u = F(x) se
u = F (x ) =
6)
u
x = + ln
1+ u
u =F (x ) =

x +1
x=
(1 u )1
Distribucin de Weibull:
en este caso: F (x ) = 1 e
u = F (x ) = 1 e
. Haciendo u = F(x) se obtiene:

x

1
x = ln
1 u
2.3.2. El mtodo de la tabla de bsqueda para las distribuciones discretas

En este caso no es necesario conocer la funcin de distribucin que origina las
probabilidades. Se parte de una variable aleatoria X discreta, la cual presenta
probabilidades en los puntos x1, x2,..., xn, es decir:
p (x i ) = P ( X = x i )
p (x i ) 0 y
p (x ) = 1
i =1
Supongamos que x1< x2 <...< xn. El mtodo de la tabla de bsqueda funciona

de la siguiente manera:
1) Se escoge un nmero aleatorio u generado a partir de una uniforme en el
intervalo (0,1) -a partir de ahora, U(0,1)2)
La regla de decisin es: X = x1 si 0 u < p(x i )
223
o bien:
X = x j si
j 1
p (x ) u < p (x )
i =1
i =1
Veamos un ejemplo a partir de los siguientes datos:

xi
p(xi)
x1 = 1
x2 = 2
x3 = 3
x4 = 4
x5 = 5
0,20
0,30
0,10
0,15
0,25
Por tanto:
x < 1
0
0,20 1 x < 2
0,50 2 x < 3
F (x i ) =
0,60 3 x < 4
0,75 4 x < 5
1
x5
As, si u = 0,25 y buscamos en F(x) tenemos que:
x = 1 si 0 u < p(x1), es decir, 0 0,25 < 0,2, lo cual no ocurre

x = 2 si p(x1) u < p(x1) + p(x2), es decir, 0,2 0,25 < 0,5 lo cual s ocurre
Por tanto, el valor buscado es x = 2
Si u = 0,55, entonces:
x = 1 si 0 0,55 < 0,2 NO

x = 2 si 0,2 0,55 < 0,5 NO
x = 3 si 0,5 0,55 < 0,6 S
Luego, en este caso, el valor buscado es x = 3
224
Grficamente:
Si sabemos que p(x) se obtiene a partir de una U(a,b), es decir:

1
p (x ) =
x = a, a + 1,..., b 1
b>a
ba
Entonces x se obtiene como: x = a + ENT [(b a ) u ]
Si p(x) se obtiene a partir de una B(1,p), Binomial de Bernouilli, entonces:
0
x=
1
up
u>p
Es posible acelerar el proceso de bsqueda utilizando la relacin que existe

entre p(xi) y p(xi+1), de forma que, calculando p(xi) se obtenga a continuacin
las p(xi+j) siguientes, siendo j = 1,2,...
Veamos distintos casos:
Distribucin B(n,p)
En este caso, la funcin de cuanta tiene como expresin:
n
n k
P ( X = k ) = p k (1 p )
k

k = 0,1,2,..., n
y su funcin de distribucin es:

k
n
n j
P (k ) = p j (1 p )
j
j =0
k = 0,1,2,..., n
225
Si aplicamos el mtodo de bsqueda tenemos que, para un nmero aleatorio u

obtenido a partir de una uniforme U(0,1), el nmero buscado ser el que
satisfaga que: P(x -1) u < P(x) o bien: x = 0 si u < P(0)
Para aplicar la propiedad indicada anteriormente es necesario darse cuenta
que la relacin entre dos probabilidades seguidas es:
n k +1
p (1 p )n k 1
(n k )p
p(K = k + 1) k + 1
=
=
(k + 1)(1 p )
p(K = k )
n k
p (1 p )n k
k

es decir:
p(K = k + 1) = p(K = k )
(n k )p
(k + 1)(1 p )
A partir de aqu, el mtodo sigue los siguientes pasos:

P1: Definicin de un conjunto de variables y sus valores iniciales
p
C=
1 p
K =0
PROB = P (K = 0 ) = (1 p )
SA = PROB
P2: Se genera un nmero aleatorio segn U(0,1)

P3: Comprobacin:
si u < SA se toma el valor de K como el valor buscado
si u SA ir a P4
P4: Se aplica la expresin recurrente: PROB k +1 = PROB k C
P5: Se actualizan valores:
P6: Se vuelve a P3
nk
k +1
SAk +1 = SAk + PROBk +1

K = k +1
Veamos un ejemplo con una B(n,p) siendo p = 0,3 y n = 5. Entonces:

P1: Definicin de variables
226
0,3 3
p
=
=
1 p 0,7 7
K =0
C=
PROB = P (K = 0) = (1 p ) = 0,7 5 = 0,16807

SA = PROB = 0,16807
n
P2: Generacin de un nmero aleatorio, por ejemplo, u = 0,345

P3: Comprobacin: como u = 0,345 SA = 0,16807 ir a P4
P4: Uso de la expresin recurrente:
nk
3 50
PROB1 = PROB 0 C
= 0,7 5
= 0,36015
k +1
7 0 +1
P5: Actualizacin de valores:
SA1 = SA0 + PROB1 = 0,16807 + 0,36015 = 0,52822
K = k +1 = 0 +1 = 1
P6: Ir a P3
En P3, como u = 0,345 < SA1 = 0,52822 K = 1
Distribucin geomtrica -Exponencial discretaEn este caso, la funcin de cuanta es:

k
P (K = k ) = p(k ) = p(1 p )
k = 0,1,2,...
Para obtener x se puede hacer a partir de la distribucin exponencial de la

siguiente forma:
x
x
1
Sea
exp( ) f (x ) = e F (x ) = 1 e . Entonces:
P (x < x + 1) =
Haciendo 1 e
= p 1 p = e
x +1
e dy = e
1
e
P(x < x +1) = p(1 p)
42443 1
424
3
y por tanto: 14
F ( x +1)F ( x )
G( p )
En consecuencia, el algoritmo tiene los siguientes pasos:

P1: Se genera x a partir de una distribucin exponencial de parmetro :
1 p = e
1
ln (1 p )
P2: El valor buscado x* es: x* = ENT (x)
227
Ejemplo
Sea u = 0,963 un nmero aleatorio y = 2. Entonces:
P1: generacin de x:
P2: obtencin de x*:
u = 1 e
x
2
x = ln(1 u ) = 6,5936
x* = ENT (6,5936) = 6
Que es equivalente a obtenerlo a partir de una G(p) /

p = 1 e
Ya que
= 1 e
1
2
= 0,3934
F(7) - F(6) = G(6):

F (7 ) = 1 e
7
2
F (6) = 1 e
6
2
F (7 ) F (6) = 0,019589
y G (6 ) = p(1 p ) = 0,3934(1 0,3934 ) = 0,019589

6
Tambin podemos usar el siguiente algoritmo basado en el mtodo de

inversin aplicado a la funcin exponencial:
P1: se genera un valor aleatorio u a partir de una U(0,1)
ln(1 u )
P2: se obtiene x*: x * = ENT
ln (1 p )
Ejemplo
P1: sea u = 0,963
P2: por el mtodo de inversin, tenemos que x = ln(1 u ) y como
1 p = e
entonces:
x=
con lo que:
1
ln (1 p )
ln(1 u )
x = 6,5936
ln (1 p )
x* = ENT (x) = 6
La aplicacin recurrente del mtodo de bsqueda tiene en cuenta que en la

distribucin geomtrica la relacin entre probabilidades es:
P (K = x + 1) = P (K = x ) (1 p )
228
y los pasos son:

P1: Definicin e inicializacin de las variables
K =0
PROB0 = P (K = 0) = p
SA0 = PROB0 = p
P2: Generacin del nmero aleatorio u
P3: Comprobacin: si u SA x* = K
P4: Aplicacin de la recurrencia: PROB1 = PROB0 (1- p)
P5: Actualizacin de contadores:
SA1 = SA0 + PROB1
K1 = K0 + 1
P6: Ir a P3
Veamos un ejemplo con p = 0,3934
P1: K = 0
PROB0 = p = 0,3934
SA0 = 0,3934
P2: sea u = 0,963
P3: 0,963 0,3934? NO
P4: PROB1 = PROB0 (1 - p) = 0,2386
P5: SA1 = SA0 + PROB1 = 0,6321
K=1
P6: ir a P3
P3: 0,963 0,6321? NO
P4: PROB2 = PROB1 (1 - p) = 0,1447
P5: SA2 = SA1 + PROB2 = 0,7768
K=2
P6: ir a P3
P3: 0,963 0,7768? NO
P4: PROB3 = PROB2 (1 - p) = 0,0877
P5: SA3 = SA2 + PROB3 = 0,8646
K=3
P6: ir a P3
P3: 0,963 0,8646? NO
P4: PROB4 = PROB3 (1 - p) = 0,053
P5: SA4 = SA3 + PROB4 = 0,9177
K=4
P6: ir a P3
229
P3: 0,963 0,9177? NO

P4: PROB5 = PROB4 (1 - p) = 0,032
P5: SA5 = SA4 + PROB5 = 0,9496
K=5
P6: ir a P3
P3: 0,963 0,9496? NO
P4: PROB6 = PROB5 (1 - p) = 0,0194
P5: SA6 = SA5 + PROB6 = 0,9690
K=6
P6: ir a P3
P3: 0,963 0,9690? S x* = K = 6
Distribucin Binomial Negativa

En este caso, la funcin de cuanta es:
m + k 1 m
p (1 p )k
P ( X = m + k ) =
m 1
siendo:
m = xitos
k = fracasos
m + k = nmero de pruebas
p = probabilidad de xito
En este caso, la relacin de recurrencia entre probabilidades es:
m + k m +1
k
p (1 p )
m+k
P ( X = m + 1 + k ) m
=
p
=
m
P (X = m + k )
m + k 1 m
k
p (1 p )
m 1
P (X = m + 1 + k ) = P (X = m + k )
m+k
p
m
y el algoritmo sigue los siguientes pasos:

P1: Inicializacin de las variables
K=0
PROB0 = P(X = K) = (1 - p)k
SA0 = PROB0
P2: Generacin de un nmero aleatorio segn una uniforme U(0,1)
P3: Comprobacin: u SA?:
S FIN
NO seguir con el algoritmo
230
P4: Aplicacin de la recurrencia
PROB 1 = PROB 0
m+k
p
m
P5: Actualizacin
SA1 = SA0 + PROB1
K=K+1
P6: ir a P3
Su aplicacin es idntica a la del caso anterior cambiando nicamente la
expresin de la recurrencia.
Distribucin de Poisson
En este caso, la funcin de cuanta tiene como expresin:
P ( X = x ) = e
x
x!
x = 0,1,2,....
Y la expresin de la recurrencia es:
P ( X = k + 1)
=
P (X = k )
k +1
Con lo que los pasos del algoritmo son:
K=0
PROB0 = P(X = K) = e-
SA0 = PROB0 = e-
P3: Comprobacin: u SA?:
S FIN
P4: Aplicacin de la recurrencia
PROB1 = PROB 0
k +1
P5: Actualizacin
SA1 = SA0 + PROB1
K=K+1
P6: Ir a P3
La distribucin de Poisson se puede obtener a partir de la distribucin de los
tiempos entre sucesos. As, si el nmero de sucesos sigue una Poisson de
231
parmetro -siendo el nmero medio de sucesos por unidad de tiempo-,

entonces el tiempo medio de ocurrencia de un suceso es 1/ y sigue una
distribucin exponencial de parmetro 1/149. Por tanto, si T1, T2,... es una
secuencia de tiempos entre sucesos, los cuales siguen una exponencial de
parmetro 1/ y X es el nmero de sucesos que ocurre por unidad de tiempo,
entonces se verifica que:
x
T
i =0
x +1
T
i =0
x +1
i =0
i =0
Ti 1 Ti
Como Ti procede de una exponencial exp(1/)

Entonces: Ti =
ln u i
Ya que si ui se distribuye segn una uniforme U(0,1), entonces 1-ui tambin es

uniforme U(0,1)- por lo que se puede escribir lo siguiente:
x
x +1
ln u
i =0
1
i =0
1
ln u i
Operando:
x +1
ln u
i =0
i =0
e ln u i
o bien :
i =0
x +1
e u i
x = 0,1,2,...
i =0
Por tanto, la obtencin de valores ajustados a una Poisson de parmetro

puede lograrse a partir del siguiente algoritmo:
K=0
PA0 = 1 producto acumulado
P3: Actualizacin del producto acumulado:
149
PA1 = PA0 u
Feller, W (1965): An introduction to Probability Theory and its Applications, vol. 2, John Wiley &
Sons.
232
P4: Comprobacin: e->PA1?:

S FIN
P5: Actualizacin del contador: K = K + 1
P6: Ir a P2
Veamos un ejemplo con = 3 e- = 0,04978
P1: K = 0
PA = 1
P2: u = 0,504
P3: PA1 = 0,504
P4: 0,04978 > 0,504? NO
P5: K = 1
P2:
P3:
P4:
P5:
u = 0,256
PA2 = 0,129
0,04978 > 0,129? NO
K=2
P2:
P3:
P4:
P5:
u = 0,414
PA3 = 0,0534
0,04978 > 0,0534? NO
K=3
P2: u = 0,069
P3: PA4 = 0,003685
P4: 0,04978 > 0,003685? S x* = 3
3. OTROS MTODOS DE GENERACIN DE NMEROS ALEATORIOS A

PARTIR DE DISTRIBUCIONES CONTINUAS Y DISCRETAS
3.1. El mtodo de la aceptacin-rechazo
Sea X una variable generada a partir de fX(x) tal que: fX(x) = Ch(x)g(x)
siendo C 1, 0 < g(x) 1 y h(x) funcin de densidad. Se generan:
Las variables aleatorias U, Y a partir de una U(0,1)

h(y)
y se prueba si U g(Y):
233
si U g(Y) entonces, Y est generada por fX(x)

si U > g(Y) entonces, Y no est generada por fX(x) y se rechaza el par
(U,Y).
El fundamento terico de este mtodo es el siguiente: sea X una variable

aleatoria con funcin de densidad fX(x) tal que: fX(x) = Ch(x)g(x), siendo C 1,
0 < g(x) 1 y h(x) funcin de densidad. Sean U, Y generadas segn una
uniforme U(0,1) y h(y), entonces:
fY [x / U g (Y )] = f X (x )
es decir, la probabilidad asignada a x con fY sabiendo que U g(Y) es la misma
que la asignada con fX. Veamos que es as. Segn el teorema de Bayes:
fY [x / U g (Y )] =
Pero ocurre que:
P [U g (Y ) / Y = x ] h(x )
P [U g (Y )]
P [U g (Y ) / Y = x ] = P [U g (x )] = g (x )
Por ser U una U(0,1). Por otra parte:
P [U g (Y )] = P [U g (Y ) / Y = x ]h(x )dx =
144424443
(x )
1444g4
4244444
3
para todos los x
= g (x )h(x )dx
=
f X (x )
1
1
dx = f X (x )dx =
C
C
C
Por tanto:
fY [x / U g (Y )] =
g (x )h(x )
= Cg (x )h(x ) = f X (x )
1C
que es lo que se quera demostrar.

La eficiencia del algoritmo la mide U g(Y), es decir, como la probabilidad de
1
cada prueba es P [U g (Y )] = , entonces el nmero de pruebas a realizar
C
antes de lograr un par (U,Y) de resultado satisfactorio sigue una distribucin
geomtrica:
P (K = k ) = p(1 p )
p=
1
= probabilid ad de xito
C
Por tanto, el algoritmo a seguir contiene los siguientes pasos:
234
P1:
P2:
P3:
P4:
Generar U a partir de U(0,1)

Generar Y a partir de h(y)
Si U g(Y), entonces Y es generado por fX(x)
Ir a P1
El problema para la aplicacin del mtodo est en encontrar una determinada

funcin (x) = Ch(x) / f(x) (x) y una funcin h(x) de la siguiente forma a partir
de la cual se puedan generar fcilmente los valores de la variable aleatoria Y.
h (x ) =
(x )
C
Ejemplo
x e x
/ ( ) = x 1e x dx 0 < < 1 x 0 . Se busca
0
( )
funcin (x) / (x) f(x). La siguiente funcin satisface esa condicin:
x 1
si 0 x 1
x e x
( )
f X (x ) =
(x ) = x
( )
e
si x > 1
( )
Sea
f X (x ) =
una
Como (x) = Ch(x) ahora hay que buscar un valor C 1. Por ejemplo, puede
valer el siguiente:
1 1 1
C=
+
( ) e
(x )
Con todo ello, h(x ) =
ser igual a:
C
x 1
si 0 x 1
(1 ) + (1 e )
h (x ) =
e x
si x > 1
(1 ) + (1 e )
y, por tanto, g ( x ) =
f X (x )
ser igual a:
(x )
e x si 0 x 1
g (x ) = 1
x
si x > 1
Luego de esta forma se consiguen h(x) y g(x).
Como uno de los nmeros aleatorios Y se obtiene a partir de h(y), eso se
puede hacer utilizando el mtodo de la transformacin inversa, para lo cual, a
partir de h(y) es necesario calcular H(y), funcin de distribucin de y:
235
si 0 y 1:
H (y ) =
e x
x 1
ey
dx =
=
(1 ) + (1 e )
e + 0 e +
si y > 1: -slo incluiremos aqu los valores que efectivamente superan 1-
H (y ) =
e x
e
dx =
e x
(1 ) + (1 e )
e +
e
e +
1 1
e e x
Por tanto:
ey
e +
H (y ) =
y 1
1 e + e 1
+ e
e y 1
si 0 y 1 H (1) = 0,8446
si y > 1
As, si se supone un cierto valor de , por ejemplo, = 1/2, los pasos son:
P1: Generacin de U a partir de una U(0,1)
por ejemplo, u1 = 0,963
P2: Generacin de Y a partir de h(y)
Por ejemplo, si u2 = 0,567, aplicando el mtodo de la transformacin
inversa se obtiene Y.
Como u = 0,567 < 0,8446 usamos el primer tramo de H(y):
2
0,567 =
ey 1 2
e +
y =
0,567 = 0,4506
e +
e
Luego, Y = 0,4506
P3: Comprobacin
Como Y = 0,4506 < 1 usamos el primer tramo de g(Y):
g (Y ) = e 0, 4506 = 0,6372
es u = 0,963 0,6372 = g(Y)? NO.

Por tanto, se rechaza el par (U,Y) = (0,963; 0,4506)
P4: ir a P1
236
Existen infinitas formas de seleccionar la funcin h(x) para que se cumpla que
fX(x) = Ch(x)g(x). En su trabajo inicial, Von Neumann150 consider el siguiente
caso: (x) = M / a x b, y sea:
1
(x )
C =
= M (b a )
h (x ) =
ba
h (x )
f (x )
f (x ) f X (x )
g (x ) = X
= X
=
axb
C h (x ) (x )
M
En este caso, el algoritmo adapta la siguiente forma:
P1: Generacin de u1 y u2 a partir de una U(0,1)
P2: Generacin de Y a partir de a + u2(b - a)
f (x ) f X [a + u 2 (b a )]
=
P3: Si u1 g (x ) = X
Y es generada por fX(x)
M
M
P4: Ir a P1
Ejemplo
Sea la funcin: f X (x ) = 3x 2 0 x 1
En este caso, usando (x) = M = 3, siendo a = 0 y b = 1. Los pasos son:
P1: Generacin de u1 y u2 a partir de una U(0,1)
por ejemplo: u1 = 0,963 y u2 = 0,567
P2: Generacin de Y a partir de a + u2(b - a)
0 + 0,567 (1 - 0) = 0,567
P3: Como f X (x ) = f X [a + u 2 (b a )] = f X (0,567 ) = 3 0,567 2
f (Y )
g (Y ) = X
= 0,567 2 = 0,321
M
Si u1 = 0,963 0,321 = g(Y), entonces se aceptara que Y es generado
por fX(x), pero como no es as, se rechazan ambos valores y se pasa a
P4.
P4: Ir a P1
3.2.
El mtodo de la composicin de funciones
En este caso, la funcin de densidad que se desea simular, fX(x), se expresa

como una mezcla de funciones de densidad debidamente escogidas.
150
Von Neumann, J. (1951): Various techniques used in connection with random digits. US National
Bureau Standard Applied Mathematics Service, 12: 36-38.
237
Sea g(x/y) funcin de densidad dependiente de un parmetro y de forma que

para cada valor de y tenemos una nica expresin de g(x). Por tanto, se puede
escribir:
f X (x ) = g (x / y )dFY (y )
Siendo FY(y) la funcin de distribucin de y. En trminos discretos sera:
f X (x ) = Pi g (x / y = i )
i
siendo:
Pi > 0
Pi = P (y = i )
=1
Esta tcnica se puede utilizar para generar funciones complejas a partir de

otras ms simples que pueden generarse a partir del mtodo de la
transformacin inversa o del de la aceptacin / rechazo. Veamos dos ejemplos.
Ejemplo 1
Sea f X (x ) =
5
4
1 + (x 1)
12
0 x 2 , la cual se puede expresar como:

f X (x ) = f1 (x ) + (1 )f 2 (x )
Supongamos un valor = 3/4, es decir, desearamos que en el 75% de los

casos entrase f1(x) en la mezcla de funciones. Entonces:
3
4
5
20 5
f1 (x ) =
=
x [0,2]
12
36 9
(1 )f 2 (x ) = 1 f 2 (x ) = 5 (x 1)4 f 2 (x ) = 5 (x 1)4 x [0,2]
4
12
3
f1 (x ) = f1 (x ) =
A partir de f1(x) y f2(x) se obtiene F1(x) y F2(x):

F1 (x ) =
yaplicando el mtodo de la inversa:
5
5
5
dy = y = x
9
9 0 9
5
9
x =u x = u
9
5
238
Operando de igual forma para F2(x):

x
5
(x 1)5
5 x
5 (y 1)
4
F2 (x ) = (y 1) dy =
=
3 0
3 5 0
3
y aplicando el mtodo de la inversa:
(x 1)5
3
= u x = 1 + (3u )
15
Por tanto, para obtener un valor a partir de la fX(x) se requieren los siguientes
pasos:
P1: Determinacin del tramo a utilizar: generacin de u1 a partir de U(0,1):
si u1 < se aplica x = F11 (u )
si u1 se aplica x = F21 (u )
P2: Obtencin de x: una vez elegida la funcin a utilizar, se genera u2 a partir

de U(0,1) y se aplica en la funcin previamente escogida, es decir, en
nuestro ejemplo:
3
9
si u1 <
5 u 2
4
x=
3
1 + (3u )1 5 si u
2
1
4
Ejemplo 2
Sea f X (x ) = n y n e xy dy
1
1 < y < x > 0 n 1 . Haciendo las siguientes
identificaciones:
g (x / y ) = ye xy
dFY (y ) = ny (n +1)
Para usar el mtodo de la inversin se tiene que:

y
y
x n
n
FY (y ) = n x (n +1)dx = n
=1 y
1
n
G (x / y ) = y e
x
entonces:
zy
e zy
xy
dz = y
=1 e
y 0
u 1 = 1 y n y = (1 u1 )
1 n
u 2 = 1 e xy x =
ln (1 u 2 )
y
239
Por tanto, el algoritmo tiene los siguientes pasos:

P1: Generacin de u1 y u2 a partir de U(0,1)
P2: Obtencin de y a partir de (1 u1 )
1 n
P3. Obtencin de x a partir de
ln(1 u 2 )
y
Como u1 y u2 provienen de una U(0,1) tambin lo hacen (1 u1 ) y (1 u 2 ) , por lo

que en P2 y P3 se pueden sustituir (1 u1 ) y (1 u 2 ) por u1 y u2
respectivamente.
3.3. Distribucin Normal Multivariante

Un vector aleatorio X = (x1 , x 2 ,L, x n )
multivariante si su funcin de densidad es:
f X (x ) =
siendo:
(2 )
n 2
12
sigue
una
exp (x ) 1 (x )
2
distribucin
normal
X N (, )
= [1 . . . n ] el vector de medias y
11 12
21 22
= .
.
.
.
n1 n 2
.
.
.
.
.
. 1n
. 2n
.
. la matriz de varianzas covarianzas
.
.
. nn
la cual es definida positiva y simtrica, por lo cual existe una nica matriz
triangular C tal que se cumple que: = CC, siendo C:
c11
c
21
C= .
.
c n1
0
c 22
.
.
cn2
.
.
.
.
.
. 0
. 0
. .
. .
. c nn
Por tanto, el vector X se puede expresar como:
X = CZ +
240

siendo Z = [z1 , z 2 , L , z n ] vector normal con media el vector cero y matriz de
varianzas covarianzas igual a la matriz identidad, por lo que cada variable zi es
una N(0,1).
Para calcular C se aplica el llamado mtodo de la raz cuadrada o

descomposicin de Cholesky, sistema que permite evaluar los elementos de C
a partir de expresiones recurrentes. En efecto, como X = CZ + entonces:
x1 = c11 z1 + 1
E (x1 ) = c11 0 + 1 = 1
var(x1 ) = c112 = 11 c11 = 11
Para x2:
x 2 = c 21z1 + c 22 z 2 + 2
E (x1 ) = 2
2
2
var(x1 ) = 22 = c 21
+ c 22
( )
cov(x1 , x 2 ) = 12 = E [c11z1 (c 21z1 + c 22 z 2 )] = c11c 21E z12
ya que, por ser z1 y z2 independientes E(z1,z2) = 0. Pero como

2
E z12 = 11 + E (z1 ) = 11 + 0 y como z1 N (0,1) , entonces 11 = 1 y por tanto, 12
= c11c21. En consecuencia:
( )
c 21 =
21
c11
2
c 22 = 22 c 21
Para x3:
x 3 = c 31 z1 + c 32 z 2 + c 33 z 3 + 3
E (x 3 ) = 3
2
2
2
+ c 32
+ c 33
var(x 3 ) = 33 = c 31
cov( x1 , x 3 ) = 13 = E [c11 z1 (c 31 z1 + c 32 z 2 + c 33 z 3 )] = c11c 31 c 31 =

cov(x 2 , x 3 ) = 23 = E [(c 21 z1 + c 22 z 2 )(c 31 z1 + c 32 z 2 + c 33 z 3 )] =
31
c11
= c 21c 31 + c 22 c 32
c 32 =
32 c 21c 31
c 22
32 c 31c 21
22 c 212
De forma general, cij se puede obtener a partir de la siguiente expresin:
241
j 1
c ij =
siendo:
c
k =1
ik
c jk = 0
ij c ik c jk
k =1
j 1
jj c 2jk
=
1
k
12
1 j i n
Por tanto, el algoritmo para generar valores de acuerdo a una N(,) es:
P1: Se genera Z = [z1 , z 2 ,L, zn ] / zi N (0,1)

P2: Se calculan los cij de C
P3: Se obtiene X como X = CZ +
4. ESTIMACIN DE INTEGRALES. TCNICAS DE REDUCCIN DE LA

VARIANZA
A veces el clculo de la integral por mtodos analticos no es fcil o
simplemente no es posible. En los casos en os que existen reglas especficas
de integracin el mtodo de Monte Carlo no resulta interesante pero en los
casos en los que no es posible hacer la integral por mtodos analticos es una
posibilidad a tener en cuenta. En estos casos, la integral puede considerarse
como un valor esperado y por tanto, el problema de clculo de la integral puede
asemejarse al de la estimacin de un parmetro desconocido.
Existen distintos mtodos para llevar a cabo esta tarea y veremos los ms
extendidos.
4.1. El mtodo de Monte Carlo de aciertos o errores -Hit or missSupongamos una integral de una sola variable y supondremos que el
integrando g(x) est acotado de la siguiente forma:
0 g(x) c
axb
242
Grficamente:
A continuacin, se define el rea como: = {(x , y ) / x [a, b] y [0, c ]}

Sea (X,Y) un vector aleatorio distribuido de forma uniforme sobre cuya
funcin de densidad es:
f XY ( X ,Y ) = c (b a )
0
si (x , y )
Resto
La pregunta que nos hacemos es cul es la probabilidad de que el vector

aleatorio (X,Y) est en el rea bajo la funcin g(x)? Ese rea, que es la integral
de g(x), la denotaremos por S:
S = {(x , y ) / y g (x )}
Como el rea total del rectngulo es c(b-a), la probabilidad buscada es:
S
g (x )dx = I
p=
= a
c (b a ) c (b a ) c (b a )
b
Para realizar el clculo -realmente la estimacin-, suponemos que se generan

N pares de valores (xi,yi) y sea NH el nmero de veces en los que se verifica
que, efectivamente, yi g(xi). Por tanto:
N
N
I
I = c (b a ) H
p = H =
N
c (b a )
N
es decir, para estimar el valor de la integral, se generan N valores a partir de
fXY(x,y), se cuenta el nmero de veces que se satisface la condicin y se aplica
243
la expresin anterior. Por ser un estimador, interesa calcular su esperanza y su

varianza.
Esperanza de I :
()
N
1
1
E I = E c (b a ) H = c (b a ) E (N H ) = c (b a ) Np
N
N
N
Ya que cada prueba es una B(1,p), con lo que es insesgado:
()
E I = pc (b a ) = I
Varianza de I :
()
2 1
var I = var c (b a ) H = c 2 (b a ) 2 var(N H ) =
N
N
p(1 p )c 2 (b a )
1
Np(1 p ) =
2
N
N
= c 2 (b a )
o, sustituyendo p por su valor en funcin de I:
()
var I =
I
I
1 2
2
c (b a )
= [c (b a ) I ]
1
N
c (b a ) c (b a ) N
Una pregunta que cabra hacerse es averiguar cuntas pruebas hay que hacer
para que el error cometido sea inferior a un cierto valor, es decir, que se
verifique que:
P I I <
Usando Tchebycheff:
()
var I
P I I < 1 2
por tanto, si = 1
( ) = 1 p(1 p)c (b a)
var I
, despejando N:
N 2
2
p(1 p )c 2 (b a )
N=
2 (1 )
Luego, N N* se logra el objetivo buscado.
Aplicacin prctica del algoritmo:

P1: Se generan 2N valores aleatorios (u1, u2) a partir de una U(0,1)
244
P2: Se agrupan los 2N valores en N pares de forma que cada dato u1 se usa
una nica vez.
P3: A partir de u1 y u2 calculamos X e Y:
X = a + u1 (b a )
Y = cu 2
/ c = sup g (x )
x[a ,b ]
P4: Una vez conocido X se calcula g(x) y se compara con cu2:
1 si g (x ) cu 2
N H =
0 si g (x ) < cu 2
N
P5: Se calcula I como: I = c (b a ) H
N
Ejemplo
Sea
ex 1
151
0 e 1 dx . Si se resuelve directamente , se obtiene que:
1
e x x
I=
= 0,41802
e 1 0
A modo de ejemplo, se generan veinticinco pares y se hace la comprobacin:

u1
u2
g(x)
cu2
g(x)cu2?
NH
0,5083
0,5966
0,8631
0,0503
0,9021
0,0124
0,8766
0,6168
0,5591
0,0489
0,2659
0,6825
0,6401
0,8561
0,6171
0,4192
0,8442
0,5486
0,0806
0,5706
0,5441
0,5063
0,1629
0,8448
0,8971
0,8967
0,5083
0,5966
0,8631
0,0503
0,9021
0,0124
0,8766
0,6168
0,5591
0,0489
0,2659
0,6825
0,6401
0,8561
0,6171
0,4192
0,8442
0,5486
0,0806
0,5706
0,5441
0,5063
0,1629
0,8448
0,8971
0,8967
0,3855
0,4749
0,7976
0,0300
0,8524
0,0073
0,8164
0,4964
0,4360
0,0291
0,1773
0,5696
0,5219
NO
NO
S
NO
S
NO
S
NO
NO
NO
NO
NO
NO
0
0
1
0
1
0
1
0
0
0
0
0
0
151
En los ejemplos que siguen se utilizar siempre esta funcin -la cual al poder resolverse
directamente- permitir calibrar la calidad del ajuste por los diferentes mtodos que se irn
exponiendo.
245
u1
u2
g(x)
cu2
g(x)cu2?
NH
0,6518
0,2936
0,3619
0,6536
0,0050
0,3047
0,7337
0,8354
0,9619
0,8069
0,1153
0,8655
0,4562
0,0171
0,9927
0,5960
0,8722
0,2362
0,6152
0,3620
0,6268
0,3594
0,5205
0,3707
0,6518
0,2936
0,3619
0,6536
0,0050
0,3047
0,7337
0,8354
0,9619
0,8069
0,1153
0,8655
0,4562
0,0171
0,9927
0,5960
0,8722
0,2362
0,6152
0,3620
0,6268
0,3594
0,5205
0,3707
0,5348
0,1986
0,2537
0,5369
0,0029
0,2073
0,6301
0,7599
0,9408
0,7221
0,0711
0,8009
S
S
NO
NO
NO
NO
S
S
S
S
NO
S
1
1
0
0
0
0
1
1
1
1
0
1
Haciendo este clculo 4.000 veces se obtienen los siguientes resultados:
Estimador de la integral
Varianza
Desviacin tpica
0,4228
6,1163 10-5
0,0078
4.2. El mtodo de la media muestral

Otra forma de calcular la integral I = g (x )dx es representarla como la
b
esperanza de una variable aleatoria. Entonces:

b g (x )
b
g (x )
I = g (x )dx =
f X (x )dx = E
a f (x )
a
f X (x )
X
1
si x (a, b ) . Por tanto:
ba
I = E [g (x )(b a )] = (b a )E [g (x )]
Supongamos que f X (x ) =
Un estimador insesgado de I es su media muestral:

1 N
I = (b a ) g (x i )
N i =1
ya que:
ba N
I
ba
E I =
E g (x i ) =
N E [g (x )] = (b a )
=I
N
N
ba
i =1
()
y su varianza es:
(b a )
ba
N
b a N
var I = var E
g (x i ) =
var[g (x )]
var g (x i ) =
N
N
N
=
=
1
1
i
i
()
246
pero:
2
b
b
var[g (x )] = g 2 (x )f X (x )dx g (x )f X (x )dx
a
a
1
442443 1
44
42444
3
b
a g
Por tanto:
(x )
1
dx
b a
b a
(b a )2 bg 2 (x ) 1 dx I 2 =
var I =
a
N
ba
(b a )2
b
1
I2
= (b a ) g 2 (x )dx =
a
N
N
b
1
2
=
(b a )a g (x )dx I 2
()
Por tanto, la aplicacin prctica del algoritmo tiene los siguientes pasos:
P1: generacin de una secuencia de N variables aleatorias segn una U(0,1)
P2: Clculo de xi como: x i = a + u i (b a )
P3: Clculo de g(xi)

P4: Clculo de I como:
1
I = (b a ) g (x i )
N i =1
Ejemplo
ex 1
0 e 1 dx . En este caso, como la funcin, a y b son las mismas, los
clculos son prcticamente los mismos que en el caso anterior. Repitiendo los
clculos 4.000 veces, se obtienen los siguientes resultados:
Sea
Varianza
Desviacin tpica
0,4198
2,1038 10-5
0,0046
4.3. Medicin de la eficiencia de los mtodos

Para ello es necesario comparar dos mtodos tales que en ambos casos se
cumpla que:
E I1 = E I2 = I
() ()
247
En un principio, cuando el tiempo de clculo era una variable determinante,

este factor era un elemento clave a tener en cuenta. As, sean t1 y t2 las
unidades de tiempo necesarios para llevar a cabo los clculos y sean var I1 y
var I las varianzas en ambos mtodos. Entonces se dice que el mtodo 1 es
()
()
2
ms eficiente que el mtodo 2 si se cumple que:
()
()
t1 var I1
<1
t var I
2
En el ejemplo que estamos siguendo, asumiendo que los tiempos son iguales o
muy semejantes se trata de averiguar qu varianza es menor. Sea var I1 la
asociada al mtodo de aciertos/fracasos y sea var I la asociada al mtodo de
()
()
la media muestral. Haciendo la diferencia entre ambas se obtiene:
()
()
b
I
1
var I1 var I2 = [c (b a ) I ] (b a ) g 2 (x )dx I 2 =
N
N
b
I
ba
g 2 (x )dx =
= c (b a )
N
N a
b
ba
cI g 2 (x )dx
=
a
N
Como c g (x ) entonces:
b
b
b
cI = cg (x )dx g 2 (x )dx cI g 2 (x )dx 0
a
a
a
()
()
y por tanto var I1 var I2 . Es decir, el mtodo de la media muestral es ms

eficiente que el de los aciertos/fracasos.
En el ejemplo que estamos siguiendo, se obtiene que:
()
I
0,24404
var I1 = [c (b a ) I ] =
N
n
2
b
I
I
0,08394
var I2 = (b a ) g 2 (x ) =
a
N
N
n
var I1
0,243280
=
= 2,90728
0,081977
var I 2
()
()
()
248
4.4. Tcnicas de reduccin de la varianza

Son mecanismos que utilizan informacin conocida del problema, de forma que
su aplicacin permite reducir la incertidumbre del resultado buscado. Existen
diversos mtodos que se exponen a continuacin.
4.4.1. Mtodo de la importancia relativa -Importance samplingEl objetivo de esta tcnica es el de concentrar la distribucin de la muestra de
puntos en los partes de la regin en la que la funcin est definida que son de
ms importancia152.
Sea I = g (x )dx
x D R , la cual se puede representar como:
I=
g (x )
g (x )
f X (x )dx = E
f X (x )
f X (x )
en donde x es una variable aleatoria cuya funcin de densidad es fX(x),
g (x )
es
f X (x )
un estimador insesgado de I. En efecto:

g (x )
g (x )
=
E
f X (x )dx = g (x )dx = I
(
)
f
x
f
X
X (x )
y su varianza es:
g (x )
g 2 (x )
g 2 (x )
= 2
var
f X (x )dx I 2 =
dx I 2
(
)
(
)
f
x
f
x
(
)
f
x
X
X
X
Por tanto, var(I ) ser igual a:

var( I ) =
g (x )
1
var
N
f X (x )
Para estimar la integral con este mecanismo se siguen los siguientes pasos:
P1: Se generan u1, u2,..., un nmeros aleatorios a partir de una uniforme U(0,1)
P2: A partir de ellos se obtienen los valores x1, x2,..., xn a partir de la funcin
fX(x)
1 N g (x i )
P3: Se utiliza la siguiente expresin: 3 =
N i =1 f X (x i )
es decir, la media de
152
g (x i )
f X (x i )
Marshall, A.W (1956): The use of multi-stage sampling schemes in Monte Carlo computations,
Symposiums on Monte Carlo Methods, edited by M.A. Meyer: 123-140. Wiley.
249
Ejemplo
1
ex 1
dx y se desea calcular g (x )dx , para lo cual usaremos
0
0 e 1
como funcin de densidad f X (x ) = 2 x FX (x ) = x 2 .
Aplicando los tres pasos anteriores, se tiene que:
Sea g (x ) =
P1: u1 = 0,5083
P2: si f X (x ) = 2 x y FX (x ) = x 2 x 2 = 0,5083 x = 0,7129
P3:
g (0,7129) = 0,3855 y f (0,7129) = 1,4259
g (x )
= 0,2703
f (x )
La siguiente tabla recoge una muestra de 25 nmeros aleatorios, los clculos y

resultados:
u
g(x)
f(x)
g(x)/f(x)
0,50826
0,59662
0,86307
0,05026
0,90208
0,01241
0,87663
0,61677
0,55914
0,04887
0,26592
0,68249
0,64013
0,65179
0,29364
0,36186
0,65364
0,00495
0,30466
0,73367
0,83537
0,96186
0,80686
0,11529
0,86551
0,71293
0,77241
0,92902
0,22419
0,94978
0,11140
0,93628
0,78535
0,74776
0,22107
0,51568
0,82613
0,80008
0,80734
0,54188
0,60154
0,80848
0,07039
0,55196
0,85655
0,91398
0,98074
0,89825
0,33955
0,93033
0,60523
0,67799
0,89160
0,14626
0,92251
0,06858
0,90235
0,69440
0,64731
0,14398
0,39270
0,74752
0,71334
0,72277
0,41858
0,48009
0,72427
0,04244
0,42871
0,78859
0,86961
0,96983
0,84696
0,23530
0,89353
1,42585
1,54482
1,85803
0,44839
1,89956
0,22279
1,87257
1,57070
1,49551
0,44213
1,03136
1,65225
1,60016
1,61467
1,08377
1,20309
1,61696
0,14078
1,10391
1,71309
1,82797
1,96149
1,79651
0,67910
1,86065
0,42447
0,43888
0,47986
0,32619
0,48565
0,30781
0,48188
0,44210
0,43283
0,32566
0,38076
0,45243
0,44579
0,44763
0,38623
0,39905
0,44792
0,30147
0,38836
0,46033
0,47573
0,49444
0,47145
0,34649
0,48022
Repitiendo los clculos 4.000 veces, se obtienen los siguientes resultados:
250
Varianza
Desviacin tpica
0,4180
7,0638 10-7
0,00084
Es interesante notar que para lograr reducciones efectivas de la varianza, fX(x)

ha de tener un perfil similar a |g(x)|. De hecho, si se calcula el cociente entre la
varianza del estimador por el mtodo de la media muestral y el obtenido esta
vez resulta un valor de 29,78, es decir, la varianza por el mtodo de la media
es casi 30 veces superior a la que se obtiene con el mtodo de la importancia
relativa.
4.4.2. Mtodo de las variables de control -control variates-153

Se dice que una variable aleatoria C controla Y si ambas estn correlacionadas
y adems se cumple que E(C) = C es conocida. Esta tcnica se utiliza para
construir un estimador para = E(Y) que tenga una varianza menor que Y .
Para cualquier , podemos escribir: Y ( ) = Y (C C ) que es un estimador
insesgado de . En efecto:
E [Y ( )] = E [Y (C C )] = E (Y ) E (C C )
Como E(C) = C y = E(Y), se sigue que: E [Y ( )] =
Su varianza es:
var[Y ( )] = E [Y (C C )] = var(Y ) + var (C ) 2 2 cov(Y , C )
Por tanto, la reduccin
var[Y ( )] var(Y ) < 0
es decir:
de
la
varianza
se
producir
cuando:
2 C2 < 2 cov(Y , C )
var[Y ( )] se minimiza para un valor de =
cov(Y , C )
C2
. En efecto:
min Y2 + 2 C2 2 cov(Y , C )
153
Para una explicacin ms detallada del mtodo vase:

Hammersley, J.M. and Handscomb, D.C. (1964): Monte Carlo Methods, Wiley.
Kahn, M. and Marshall, A.W. (1953): Methods of reducing sample size in Monte Carlo
computations. Operations Review, 1: 263-278.
Lavenberg, S.S. and Welch, P.D. (1980): A perspective on the use of control variates to
increase the efficiency of Monte Carlo simulations. Research Report RC 8161, IBM
Corporation, Yorktown Heights.
251
Condicin necesaria:
d var[Y ( )]
= 2 C2 2 cov(Y , C ) = 0
d
cov(Y , C )
* =
2
Condicin suficiente:
d 2 var[Y ( )]
= 2 C2 > 0 * es mnimo
d 2
Por tanto, el valor de la varianza mnima es:
[ ( )]
var Y * = Y2 +
= Y2
cov(Y , C )
4
C
C2 2
cov(Y , C )
cov(Y , C )
C2
cov(Y , C )
2
C
cov(Y , C )2
2
2
= Y2 1
= Y 1 CY
2
2
C
Y
Para utilizar este mtodo en la estimacin de I:

I = E [g (x )] = g (x )f X (x )dx
supondremos que g0(x) es una funcin que se aproxima a g(x) y que su
esperanza, E [g 0 (x )] es conocida. Sean Y = g(x), C = g0(x) y
C = g 0 (x )f X (x )dx . Tenemos que, , Y ( ) = Y (C C ) , que es un
estimador insesgado de I. Tomando una muestra x1, x2,...,xN a partir de fX(x) se

puede estimar I como:
1 N
I = g (x i ) * g 0 (x i ) + * C
N i =1
Siendo * el valor que minimiza var[Y ( )].

De una forma ms sencilla, partiendo de:
I = E [g (x )] = g (x )f X (x )dx = [g (x ) g 0 (x )]f X (x )dx + g 0 (x )f X (x )dx
1442443
E [g 0 ( x )]= H conocida
I = [g (x ) g 0 (x )]f X (x )dx + H
252
Ejemplo
ex 1
dx y g0(x) = x. Por tanto:
0 e 1
Sean g (x ) =
E [g 0 (x )] = xdx =
1
1
=H
2
con lo que:
1
1 N e xi 1
x i +
I =
N i =1 e 1
2
A modo de ejemplo, para los veinticinco nmeros aleatorios que se han
utilizado en los clculos de los mtodos anteriormente descritos, los resultados
son los siguientes:
ui
xi
e xi 1
e 1
0,5083
0,5966
0,8631
0,0503
0,9021
0,0124
0,8766
0,6168
0,5591
0,0489
0,2659
0,6825
0,6401
0,6518
0,2936
0,3619
0,6536
0,0050
0,3047
0,7337
0,8354
0,9619
0,8069
0,1153
0,8655
0,5083
0,5966
0,8631
0,0503
0,9021
0,0124
0,8766
0,6168
0,5591
0,0489
0,2659
0,6825
0,6401
0,6518
0,2936
0,3619
0,6536
0,0050
0,3047
0,7337
0,8354
0,9619
0,8069
0,1153
0,8655
0,3855
0,4749
0,7976
0,0300
0,8524
0,0073
0,8164
0,4964
0,4360
0,0291
0,1773
0,5696
0,5219
0,5348
0,1986
0,2537
0,5369
0,0029
0,2073
0,6301
0,7599
0,9408
0,7221
0,0711
0,8009
e xi 1
1
xi +
e 1
2
0,3772
0,3783
0,4345
0,4797
0,4504
0,4949
0,4398
0,3796
0,3769
0,4803
0,4114
0,3871
0,3817
0,3830
0,4050
0,3919
0,3832
0,4979
0,4026
0,3964
0,4245
0,4789
0,4153
0,4558
0,4354
Repitiendo los clculos 4.000 veces, se obtienen los siguientes resultados:

Varianza
Desviacin tpica
0,4189
3,4628 10-7
0,00058
253
Si en este caso se calcula el cociente entre la varianza del estimador por el

mtodo de la media muestral y el obtenido esta vez resulta un valor de 60,75,
es decir, la varianza por el mtodo de la media es ms de 60 veces superior a
la que se obtiene con el mtodo de la importancia relativa.
254
CAPTULO 6
EL BOOTSTRAP
1. INTRODUCCIN AL CONCEPTO DE BOOTSTRAP
La realidad es una fuente casi inagotable de informacin que nos ayuda a
encontrar soluciones a los problemas que se nos plantean de continuo. Sin
embargo, el proceso que nos lleva a una situacin mejor no es inmediato sino
que es necesario establecer un esquema para sacar el mayor partido posible
de toda esta informacin que tenemos a nuestro alcance. Por ello, y con vistas
a obtener el mximo rendimiento de nuestros esfuerzos, es necesario tener
clara la respuesta a las siguientes preguntas:
1)
2)
3)
Cmo se debe recoger la informacin?

Cmo se debe analizar y resumir la informacin recogida?
Qu grado de precisin tienen los resmenes de informacin?
Esta ltima pregunta forma parte de lo que se conoce como Inferencia

Estadstica154 y el bootstrap es una tcnica recientemente desarrollada para
llevar a cabo cierto tipo de inferencias155. Para hablar de bootstrap lo primero
que debe conocerse es cundo, porqu y cmo se pueden usar estos mtodos.
En lneas generales podemos decir que se trata de un mtodo de simulacin
basado en los datos recogidos que se pueden usar para formular inferencias,
tales como que: 0,50 < < 0,75
La simulacin consiste en repetir un proceso de generacin de muestras un
nmero suficientemente elevado de veces -pongamos 5.000 veces- para poder
realizar esas inferencias. Obviamente, este mtodo requiere el uso de un
ordenador. En definitiva, mediante la repeticin y generacin de muestras de
datos se trata de estudiar la precisin asociada a determinados estadsticos156
que queremos utilizar, por ejemplo, la media o la mediana. El nmero de
154
La Inferencia Estadstica deduce el modelo probabilstico que han generado los datos una vez
conocidas las frecuencias observadas de una variable. Para recordar los conceptos bsicos
asociados a la Inferencia Estadstica puede consultarse, por ejemplo, Pea Snchez de Rivera, D.
(2005): Fundamentos de Estadstica, Alianza Universidad.
155
Se utiliza la palabra inferencia como sinnimo de deduccin o consecuencia extrada a partir de

la informacin -los datos- disponible. Segn el Diccionario de la Real Academia Espaola:
inferencia es la accin o efecto de inferir. Inferir: 1.Sacar una consecuencia o deducir algo de otra
cosa. 2.Llevar consigo, ocasionar, conducir a un resultado.
156
Se denomina estadstico a cualquier funcin de los elementos muestrales siempre que no

contengan parmetros desconocidos.
255
posibles muestras diferentes que se pueden extraer se determina de este

modo157:
2n 1 (2n 1)!
=
n n!(n 1)!
Antes de pasar de exponer en qu consiste esta tcnica, conviene recordar
ciertos conceptos bsicos relacionados con la inferencia y el muestreo
estadstico.
2. MUESTRAS ALEATORIOS Y PROBABILIDADES

Sea una poblacin P de unidades individuales U1, U2,...., UN cada una de las
cuales tiene la misma probabilidad de ser escogida en una extraccin aleatoria.
Una muestra aleatoria de tamao n se define como una seleccin de individuos
u1, u2,..., un escogidos al azar de U. De forma ideal, el proceso sera como
sigue: un mecanismo de seleccin escoge al azar nmeros enteros j1, j2,..., jn
comprendidos entre 1 y N y todos ellos con una probabilidad de 1/N.
Estos enteros son los que determinan qu individuos son seleccionados, es
decir:
u 1 = u j1
u 2 = u j2
.
.
u n = u jn
A priori, con este mecanismo, un entero ji puede ser escogido varias veces. En
este caso se denominan muestras con reemplazamiento. En caso contrario, se
trata de muestras sin reemplazamiento.
Una vez seleccionada una muestra aleatoria u1, u2,..., un podemos medir una o
varias caractersticas de estos individuos, los cuales son los datos observados
(x1, x2,...., xn). Pues bien, el bootstrap sirve para evaluar el grado de exactitud
que puede tener un estadstico calculado con (x1, x2,...., xn) como indicativo del
comportamiento global de una poblacin.
Despus de haber definido qu se entiende por muestra aleatoria, se analiza
qu es una variable aleatoria158 -aqulla cuyo resultado es, a priori, incierto-.
Sea x una variable aleatoria, la cual puede tener k distintos valores. A la
157
Hall, P. (1992): The Bootstrap and the Edgeworth Expansion, Springer-Verlag, Appendix I.
158
Una definicin formal y completa puede consultarse, por ejemplo, en Pea Snchez de Rivera, D.
(2005): Fundamentos de Estadstica, Alianza Universidad.
256
probabilidad de que dicha variable tome un determinado valor k se le denomina

frecuencia y se expresa como: fk = P(x = k)
La distribucin de probabilidad de una variable aleatoria F, es una completa
descripcin del valor probabilstico de x: F = (f1, f2, ..., fk)
Las distribuciones a veces son relativamente frecuentes, estn tabuladas y
reciben nombres especiales: leyes de probabilidad. Por ejemplo, la ley binomial
se define como: x B (n, p ) y las frecuencias son:
n
n k
f k = p k (1 p )
/
k = 0,1,2,..., n p [0,1]
k

Se define el espacio muestral, Sx, como el conjunto de los posibles valores que
puede tomar x y se verifica que:
P (S x ) =
kS x
=1
Las distribuciones no tienen porqu ser slo discretas, es decir, x puede tomar
valores enteros o no. El caso ms conocido es el de la distribucin normal. En
este caso:
P (x A ) =
1
2 2
dx
La esperanza de una variable aleatoria, E(x), llamada valor medio se calcula

como:
n
x f
si x discreta
k k
E (x ) = k = 0
xf (x )dx si x continua
-
Las principales propiedades de la esperanza son:

1)
La esperanza de la suma de variables aleatorias es la suma de

esperanzas de las variables aleatorias, es decir:
n
n
E x i = E (x i )
i =1 i =1
2)
La esperanza del producto de dos variables aleatorias independientes es

igual al producto de esperanzas, es decir: E (xy ) = E (x )E (y )
Otro concepto ntimamente ligado a la tcnica del bootstrap es el de la funcin

emprica de probabilidad. La funcin de distribucin emprica F es un
257
estimador159 de la funcin de distribucin F. Una forma de estimar parmetros

tales como la media o la mediana de F consiste en utilizar F y se denomina
estimacin por sustitucin directa -plug-in principle-.
Sea una muestra de tamao n (x1, x2,...., xn), tal que x1 < x2 < ... < xn. La funcin
de distribucin emprica F es la proporcin de los xi menor o igual a un valor x,
es decir:
1 si y x
1
Fn (x ) = I (x i x ) / I (y x ) =
n i n
0 si y > x
Fn(x) es constante entre dos valores consecutivos, siendo 1/n la diferencia

entre un valor y el siguiente. En efecto, si la probabilidad acumulada hasta xk
es:
k
P (X x k ) =
n
k +1
y hasta xk+1 es: P ( X x k +1 ) =
n
entonces: Fk (x ) =
k +1 k 1
=
n
n n
Desde un punto de vista grfico, se forma una especie de escalera, que se

trata de una aproximacin a un modelo continuo. Por ejemplo, supongamos
una cartera con 31.400 asegurados en la que se agrupan las plizas segn el
nmero de siniestros que hayan ocurrido durante un ejercicio, siendo los datos
los siguientes:
n de siniestros
plizas
0
1
2
3
4
5
15.419
9.312
3.954
1.225
975
515
por lo que las probabilidades asociadas a cada nmero de siniestros y la

probabilidad acumulada son las que se recogen en la siguiente tabla:
159
Se denomina estimador a cualquier funcin de valores muestrales cuyo objetivo es, en Inferencia
Estadstica, ofrecer la informacin muestral que servir para estimar el valor del parmetro
desconocido de una poblacin. Los conceptos asociados a los estimadores puede consultarse, por
ejemplo, Pea Snchez de Rivera, D. (2005): Fundamentos de Estadstica, Alianza Universidad.
258
n de siniestros
probabilidad
prob. acumulada
0
1
2
3
4
5
0,4911
0,2966
0,1259
0,0390
0,0311
0,0164
0,4911
0,7876
0,9135
0,9525
0,9836
1,0000
Grficamente:
y analticamente es:
0,0000
0,4911
0,7876
Fn (x ) = 0,9135
0,9525
0,9836
1,0000
x < 0
0 x <1
1 x < 2
2x<3
3 x < 4
4x<5
x 5
259
Hay que tener en cuenta que al hacer inferencia estadstica es necesario

distinguir entre:
a)
Parmetros: se obtienen mediante la aplicacin de algn procedimiento

de clculo sobre la funcin de probabilidad f. De forma general, se pueden
expresar como: = f(F)
Por ejemplo, si f es la distribucin de Poisson y es la media, entonces
sera igual a la suma de todos los valores de la variable ponderados por
su probabilidad, obtenindose -parmetro media o esperanza de la Ley
de Poisson-.
b)
Estadstico: se obtienen mediante la aplicacin de algn procedimiento de

clculo sobre la muestra seleccionada. De forma general, se pueden
expresar como: = f F
()
En el caso anterior sera:
x n
i =1
n
n
i =1
El principio de estimacin por sustitucin directa

Trata de estimar el parmetro = f(F) a partir de la funcin emprica F , es
decir, = f F . A los estadsticos as obtenidos se les denomina estadsticos
resumen o estimadores. En general, el estimador por sustitucin directa de una
esperanza = EF(x) se define como:
1 n
= E F (x ) = x i = x
n i =1
()
En general, la estimacin por sustitucin directa es un mtodo adecuado

siempre que la nica informacin disponible sobre F sea la muestra x y no lo es
tanto cuando la informacin que tenemos es algo ms que la muestra. En ese
caso suponemos que F pertenece a una cierta familia paramtrica, por ejemplo,
la normal. O bien estamos trabajando con una regresin, de forma que
tenemos una coleccin de muestras aleatorias x(z), funcin de z.
Cmo utilizar el bootstrap en cada caso?
a)
Si tenemos la informacin facilitada por la muestra, nos permite estudiar

el sesgo y la desviacin tpica de que se denomina bootstrap no
paramtrico.
b)
Si la informacin procede de una funcin especfica F o de una regresin

y se denomina bootstrap paramtrico.
260
3. LA EXACTITUD DE LA MEDIA MUESTRAL

Para explicar cmo medir la exactitud de un estimador se utiliza el siguiente
ejemplo. Supongamos dos grupos de entidades que se caracterizan por tener
distintos perfiles de clientes. En cada uno de ellos se recoge el valor de la ratio
entre siniestros y primas obtenindose las siguientes cifras expresadas en
porcentajes:
1)
2)
Grupo 1: 79, 88, 115, 95, 56, 80, 125 -x1, x2, ..., x7Grupo 2: 111, 69, 74, 46, 82, 73, 65, 52, 101 -y1, y2, ..., y9-
Con estos datos, las medias son:

xi
= 91,14
i =1 7
9
y
y = i = 74,77
i =1 9
7
x =
por lo que la diferencia entre ambos, x y es de 16,37, la cual sugiere que,

efectivamente, los perfiles de riesgo de ambas cartera son distintos. Sin
embargo, la pregunta que cabe hacerse es si los estimadores son los
suficientemente precisos. De los datos obtenidos, y sabiendo que la desviacin
tpica de la media es:
n
(x x )2
2
/ 2 = i
x =
n
n 1
i =1
Se obtiene que:
x = 8,79
y = 7,00
y por tanto, x y = x2 + y2 = 11,24 , lo cual hace dudar de la diferencia de perfil
de riesgo en las carteras pues la diferencia de ratios medios es ligeramente
superior a x y .
En este ejemplo se ha podido contrastar la diferencia usando la desviacin
tpica de la media. Sin embargo, no siempre resulta tan sencillo. Un ejemplo lo
tenemos en el caso de la mediana. En el caso anterior de las entidades, la
mediana del grupo 1 es de 88, mientras que la del segundo es de 73,
resultando una diferencia de medianas de 15. Para analizar el grado de
precisin de esta diferencia se puede usar el bootstrap. Cmo funciona el
bootstrap?.
Para entenderlo mejor, supongamos n datos independientes: x = (x1 , x 2 ,L, x n )
a partir de los cuales se elabora un estadstico, e(x) -pongamos por ejemplo, la
media o la mediana-. Supongamos una muestra generada de forma aleatoria
permitiendo el reemplazamiento. Esta nueva muestra se obtiene a partir de los
261
datos originales (x1,x2,...,xn) y puede ser, por ejemplo, as: (x4, xn-1, x1, x1, ..., x8)
y la designamos por x*. Este proceso se realiza B veces, siendo B un nmero
suficientemente grande, obtenindose las muestras x*1, x*2, ..., x*B. Con cada
una de estas muestras se obtiene un valor de e(x*b). Por tanto, la desviacin
tpica de e(x) ser:
e ( x ) =
b =1
[e(x ) e (x )]
*b
e(x *b )
B
b =1
/ e (x * ) =
B
B 1
()
El primer resultado de un anlisis de datos suelen ser los estimadores = f F ,

de los cuales nos gustara conocer su precisin. A ello contribuye el bootstrap.
Sea x una variable aleatoria real con distribucin de probabilidad F cuyas
media y varianza son:
F = E F (x )
F2 = varF (x ) = E F (x F )2
De forma general, se expresa como: x F , F2
Sea ahora (x1, x2,...., xn) una muestra aleatoria de tamao n que refleja F. En
este caso, la media muestral, x tiene una media igual a F y una varianza igual
a
F2
n
, es decir:
2
x F , F
n
Por tanto, el error tpico de la media es: x =
Para estimar el error tpico de la media, se parte de una muestra aleatoria que
refleja la funcin F:(x1, x2,...., xn). A partir de ella se calcula la media muestral x
como:
n
x=
x
i =1
n
y nos gustara conocer el error cometido en este clculo, para lo cual hay que
calcular la desviacin tpica de la media, es decir, x = F . Como F es

n
desconocida, F no se puede calcular, por lo cual aplicamos la estimacin por
sustitucin directa, sustituyendo F por F . Es decir:
n
= F =
(x
i =1
x)
y por tanto, x ser:
262
x =
(x
i =1
x)
n2
(x
i =1
x)
4. EL ESTIMADOR BOOTSTRAP DEL ERROR TPICO

El bootstrap nos permite evaluar la exactitud de un estimador = s (x ) obtenido
usando la estimacin directa en una muestra aleatoria x = (x1, x2,...., xn) que se
distribuye segn una funcin F desconocida.
4.1. El bootstrap no paramtrico

Sea F una distribucin emprica tal que, a cada valor observado le otorga una
probabilidad igual a 1/n. Una muestra bootstrap se define como aqulla que es
aleatoria, de tamao n y extrada de la muestra inicial x. Es decir:
F x 1* , x 2* , L , x n*
muestra bootstrap
que no es ms que una muestra con reemplazamiento obtenida a partir de la

inicial x = (x1, x2,...., xn). Es decir, puede ser de la siguiente forma:
x1* = x 4 , x 2* = x 2 , x 3* = x 22 , L x n* = x 5
Por tanto, cualquier dato de la muestra original puede aparecer ninguna, una o
varias veces repetido. Con esta muestra x* se calcula una rplica de :
= e(x * )
La puesta en marcha de la generacin de muestras mediante bootstrap en un
ordenador es muy fcil. Un algoritmo selecciona de forma aleatoria nmeros
enteros i1, i2, ..., in, cada uno de los cuales es un valor entre 1 y n con
probabilidad 1/n. El bootstrap consiste en hacer lo siguiente:
x1* = x i1 , x 2* = x i 2 , x 3* = x i3 L, x n* = x i n ,
De esta forma, se generan mltiples muestras, con cada una de las cuales se
calcula = e(x * ) y con todas ellas se calcula el estimador bootstrap del error
tpico.
De forma esquemtica, los pasos a seguir seran los siguientes:
1)
se seleccionan B muestras independientes x*1, x*2,..., x*B, cada una de las

cuales tiene n datos obtenidos con reemplazamiento a partir de la
muestra inicial x.
263
2)
se calcula B veces: * (b ) = e(x * b )
3)
con estos B valores de * (b ) se estima el error tpico F como la

desviacin tpica muestral de los B elementos:
b = 1,2,..., B
()
[ (b ) ()]
B
B =
siendo:
* ( ) =
b =1
b =1
B 1
* (b )
B
( )
Si B tiende a infinito, entonces: lim B = F = F * y nos dara el estimador
()
( )
bootstrap ideal de F . A veces, tanto el estimador bootstrap ideal, F * ,
como a su aproximacin, B , se les conoce como bootstrap no paramtrico por

estar basado su clculo en F (estimacin no paramtrica de la poblacin F).
A modo de ejemplo, usaremos los datos del grupo 2 de entidades160, con el
cual haremos diferentes tandas de rplicas. Con cada una de ellas se calcula la
media de cada muestra y, a partir de todas ellas, se obtiene la desviacin tpica
del error.
Los resultados para 25, 50, 100, 200, 500, 1.000, 5.000 y 10.000 rplicas se
Nmero de rplicas
25
50
100
200
500
1.000
5.000 10.000
Media 75,587 74,450 73,597 74,078 74,449 74,730 74,724 74,706

D.T.
7,152 7,133 7,502 7,441 7,039 7,343 7,297 7,378
En cuanto a la distribucin de los valores de la media, el siguiente grfico
recoge el histograma de frecuencias para el caso en el que se han realizado
10.000 rplicas:
160
Un tamao muestral de 9 est en el lmite de lo aceptable para el uso de esta tcnica. A pesar de
ello, se utiliza un tamao tan reducido meramente a efectos expositivos. Para una discusin sobre
el tema, vase: Chernick, M.R. (1999): Bootstrap Methods. A Practitioners guide, John Wiley &
Sons.
264
Una pregunta crucial es saber cuntas rplicas se deben realizar para

considerar fiable la estimacin. Idealmente, el nmero es infinito, pero esta es
una solucin poco prctica. En ese caso, sera igual a F * , es decir, es
( )
estimador bootstrap ideal. Dejando al margen esta solucin trivial, una

respuesta satisfactoria para esta pregunta se puede dar en trminos del
coeficiente de variacin de B -cociente entre la desviacin tpica y la
esperanza de B -, el cual se puede expresar como161:
CV ( B ) = CV ( ) +
2
E ( ) + 2
4B
En donde es un parmetro que mide la longitud de la cola de la distribucin

de * . Vale cero si la distribucin es una normal y su rango de variacin oscila
entre -2, para distribuciones con cola corta, hasta valores positivos altos para
distribuciones con colas largas. En la prctica, no sobrepasa el valor 10. En la
siguiente tabla se recoge el coeficiente de variacin (CV) de B como una
funcin del CV del estimador bootstrap ideal y del nmero de rplicas
bootstrap -se supone que vale cero-:
Nmero de rplicas
CV de la DT estimada
con infinitas rplicas
25
50
1,00 1,010 1,005
0,90 0,911 0,906
0,80 0,812 0,806
0,70 0,714 0,707
0,60 0,616 0,608
0,50 0,520 0,510
0,40 0,424 0,412
0,30 0,332 0,316
0,20 0,245 0,224
0,10 0,173 0,141
0,00 0,141 0,100
161
100
1,002
0,903
0,803
0,704
0,604
0,505
0,406
0,308
0,212
0,122
0,071
200
1,001
0,901
0,802
0,702
0,602
0,502
0,403
0,304
0,206
0,112
0,050
500
1,000
0,901
0,801
0,701
0,601
0,501
0,401
0,302
0,202
0,105
0,032
1.000
1,000
0,900
0,800
0,700
0,600
0,500
0,401
0,301
0,201
0,102
0,022
5.000 10.000
1,000 1,000
0,900 0,900
0,800 0,800
0,700 0,700
0,600 0,600
0,500 0,500
0,400 0,400
0,300 0,300
0,200 0,200
0,100 0,100
0,010 0,007
Una demostracin rigurosa de esta expresin puede encontrase en Efron, B. and Tibshirani, R.
(1993): An introduction to the bootstrap, Chapman & Hall.
265
A partir de esta tabla se extraen las siguientes conclusiones:

a)
incluso un nmero reducido de rplicas como puede ser B = 25 es

suficientemente ilustrativo y con B = 50 puede ser suficiente para lograr
un buen estimador de F .
()
b)
raras veces se necesitan ms de 200 rplicas para estimar la desviacin

tpica. No obstante, es preciso realizar un nmero de rplicas mucho
mayor para obtener intervalos de confianza mediante el bootstrap, tal y
como se ver ms adelante.
c)
adems, el clculo anterior es sensible a (Delta), de forma que, para un

cierto nmero de rplicas, cuanto mayor sea , mayor es el valor de B ,
dado un cierto valor del coeficiente de variacin de . Por tanto, a mayor
, mayor es el nmero de rplicas necesario para aproximar B a ,
dado un cierto valor de , tal y como se puede apreciar en la siguiente
tabla (para B = 200):
Valor de Delta
CV de la DT estimada
con infinitas rplicas
-2
1,00
1,000
0,90
0,900
0,80
0,800
0,70
0,700
0,60
0,600
0,50
0,500
0,40
0,400
0,30
0,300
0,20
0,200
0,10
0,100
0,00
0,000
0
1,001
0,901
0,802
0,702
0,602
0,502
0,403
0,304
0,206
0,112
0,050
2
1,002
0,903
0,803
0,704
0,604
0,505
0,406
0,308
0,212
0,122
0,071
4
1,004
0,904
0,805
0,705
0,606
0,507
0,409
0,312
0,218
0,132
0,087
6
1,005
0,906
0,806
0,707
0,608
0,510
0,412
0,316
0,224
0,141
0,100
8
1,006
0,907
0,808
0,709
0,610
0,512
0,415
0,320
0,229
0,150
0,112
10
1,007
0,908
0,809
0,711
0,612
0,515
0,418
0,324
0,235
0,158
0,122
4.2. El bootstrap paramtrico

En este caso, el estimador bootstrap del error tpico se expresa como:
*
Fpar
( )
donde Fpar es un estimador de F obtenido a partir de un modelo paramtrico

para los datos que se estn utilizando.
Para entender el funcionamiento en este caso supongamos que tenemos dos
variables procedentes de una distribucin normal bivariante, en cuyo caso los
estimadores de las medias y de matriz de varianzas-covarianzas son:
266
x=
x
i =1
n
n
y=
y
i =1
n
2
(
)
x
x
1
i
=
n 1 (x i x )(y i y )
(x x )(y y )
(y y )
i
Sea Fnorm la distribucin normal bivariante con estas medias y esta matriz de
es un ejemplo de estimacin paramtrica de F.
varianzas y covarianzas. F
norm
Supongamos que queremos estimar el coeficiente de correlacin entre x e y.

Entonces el estimador bootstrap paramtrico del error tpico del coeficiente de
correlacin ser F ( ) .
norm
Al igual que en el caso no paramtrico, para cualquier estadstico distinto de la

media, la estimacin del error tpico del mismo no puede calcularse de forma
sencilla. Usando el bootstrap la forma de proceder es similar a la que se segua
en el caso no paramtrico. Sin embargo, existe una diferencia bsica: en lugar
de obtener las muestras con reemplazamiento a partir de los datos iniciales, las
B muestras de tamao n se obtienen a partir de la estimacin paramtrica de
F, Fnorm :
F
(x * , x * ,L , x * )
norm
Una vez obtenidas las B muestras de esta forma, se procede igual que en el
caso no paramtrico: se calculan las B rplicas de e x * b y a partir de ellas se
calcula B .
( )
5. BOOTSTRAP PARA ESTRUCTURAS MS COMPLEJAS

El bootstrap se puede aplicar a situaciones ms complejas que una simple
muestra aleatoria de datos. Sera el caso de las series temporales, el anlisis
de la varianza, los modelos de regresin, datos censurados o el muestreo
estratificado.
Cuando se tiene una nica muestra, el bootstrap trata de replicar el proceso
real: a partir de una funcin de distribucin F desconocida se obtiene una
muestra aleatoria de datos x1, x2,...., xn, con los cuales se elabora un
estadstico e(x). El bootstrap parte de F , estimacin de F a partir de la cual se
obtiene una muestra x 1* , x 2* , L , x n* con la cual se elabora e(x*). Repitiendo este
proceso un nmero elevado de veces se puede evaluar el valor de .
F
()
267
Sin embargo, cuando se tienen dos muestras el planteamiento cambia

ligeramente. Sea el ejemplo de los grupos de entidades expuesto
anteriormente. En este caso el modelo de probabilidad P puede verse como un
par de distribuciones de probabilidad, una para cada submuestra:
P = (F,G)
F = Distribucin de probabilidad del grupo uno
G = Distribucin de probabilidad del grupo dos
En cuanto a las observaciones, sean z = (z1 , z 2 , L , z m ) las correspondientes al
grupo uno y sea y = (y 1 , y 2 ,L, y n ) las asociadas al grupo dos, siendo ambos
independientes entre s. Por tanto, x = (z, y ) es un vector de dimensin
[1 (m + n )] . En nuestro caso, m = 7 y n = 9, por tanto es un vector de
dimensin (1 16) pero teniendo presente que las primeras siete componentes
vienen del primer grupo y las nueve siguientes proceden del segundo. En este
caso, tenemos que F z es independiente de G y . Este es un ejemplo de
un problema con dos muestras. En este caso, es fcil estimar P = (F,G). Sean
F y G las funciones de distribucin empricas basadas en z e y
respectivamente. Entonces, el estimador obvio de P es:
( )
P = F , G
Por tanto, la muestra bootstrap en este caso es: x * = z * , y * siendo F z *

independiente de G y * , z* e y* tienen idnticos tamaos muestrales que z e
y respectivamente. As, en nuestro ejemplo, el presunto perfil diferente de
riesgo se debera traducir en una ratio entre siniestros y primas distinta en cada
grupo. Es decir, si el parmetro = 1 2 mide la diferencia entre ambos
grupos, cabra pensar que debera ser significativamente distinto de cero.
Haciendo 1.500 rplicas bootstrap de definido como: = 1 2 = x1 x 2 se
obtienen los siguientes resultados:
* = 16,52
1.500 = 10,53
por lo que * es 1,55 veces la desviacin tpica, con lo cual no existe evidencia
estadstica para aceptar que cada cartera tenga un perfil distinto. El histograma
de las 1.500 rplicas es el siguiente:
268
Las rplicas bootstrap se hicieron de la forma:
) (
x * = z * , y * = z i1 , z i 2 , L , z i 7 , y j 1 , y j 2 , L , y j 9
en donde los (i1,i2,...,i7) es una muestra aleatoria de tamao 7 de los enteros 1

a 7 y (j1,j2,...,j9) es una muestra aleatoria de tamao 9 de los enteros 1 a 9. El
error estndar de se puede expresar como P , es decir, como funcin de
la funcin de probabilidad P = (F,G). Su estimador bootstrap es:
* = 2 ( z * y * )
()
( )
En este caso, la estimacin de las funciones de probabilidad, F y G , estn

basadas en x y en y . Obviamente, los tamaos muestrales de z* y de y* son
los mismos que los de z y de y.
En el caso de estructuras ms generales, la realizacin del bootstrap supone
dar los siguientes pasos:
1)
2)
3)
estimacin de la funcin de distribucin, P , generadora de los datos

obtencin de las sucesivas muestras a partir de P , es decir: P x *
elaboracin de e(x*) con cada una de las muestras obtenidas
Para el caso de una serie temporal, yt, con n datos y una media global igual a
, es decir:
E (y t ) =
t = 1,2,..., n
entonces, la serie centrada, zt, ser zt = yt - y su esperanza ser:
269
E (zt ) = E (y t ) = = 0
t = 1,2,..., n
Supongamos que zt sigue un proceso AR(1), es decir:

z t = z t 1 + t
E ( t ) = 0 var ( t ) = 2 ( 1,1) t = U , U + 1, U + 2,...V
siendo U en este caso igual a 2 y V el ltimo dato disponible. Por tanto, el

primer dato de z en el proceso ser z 2 = z1 + 2 o, de forma general:
zU = zU 1 + U
Los errores estocsticos se supone que son generados por una distribucin de
probabilidad desconocida, F, cuya esperanza es cero:
F ( U , U +1 , U + 2 ,..., V )
E (F ) = 0
Supongamos que se desea estimar utilizando el mtodo de los mnimos

cuadrados ordinarios -MCO-. Supongamos que el resultado es = 0,586 y nos
gustara saber cul es la calidad de la estimacin. Para ello podemos aplicar
bootstrap de la siguiente forma:
F ( U , U +1 , U + 2 ,..., V )
zt = zt 1 + t
por tanto, hay dos elementos que son desconocidos: P = (, F)162. Pero de los
dos elementos desconocidos, se puede estimar por ya que:
min = min ( )
Por tanto, una vez conocido ya se puede calcular t como: t = zt zt 1 y,

por tanto, se puede estimar F a partir de la distribucin emprica de los t.
Sustituyendo por tenemos los t :
t = zt zt 1 t = U , U + 1,...,V
Con lo que F es la distribucin emprica de t , en donde cada valor lleva
asociada una probabilidad igual a 1/T, siendo T = V - U +1. Una vez hechas
estas sustituciones, el bootstrap puede ser llevado a cabo. Pasamos de
P = ( , F ) a P = , F . Comenzamos con el valor inicial z1 = y 1 y el cual se
considera una constante. La serie temporal obtenida usando bootstrap de
forma recurrente es la siguiente:
( )
162
Obviamente, hay un tercer elemento desconocido, que es , pero en todo el proceso se le sustituye
por su estimador, y .
270
z 2* = z1 + 2*
z * = z * + *
3
L
zV* = zV* 1 + V*
es decir, el bootstrap se aplica directamente sobre la serie {t }. A partir de ella
y usando y z1, obtenemos z 2* , a partir de z 2* y usando , obtenemos z3* y
as sucesivamente. As reharamos esta muestra y lo obtenido se utiliza para
estimar . El procedimiento lo repetiremos un nmero elevado de veces, por
ejemplo, 1.000, obteniendo 1.000 valores de con los cuales podremos
calcular .
Esquemticamente, el proceso se puede recoger de la siguiente manera:
zt = zt 1 + t
{ t }
BOOTSTRAP
*2 , *3 ,L, *T
z* , z*,L z*
T
2 3
1*
z1 = y1 y
B ( )
B veces
..................
BOOTSTRAP
*2 , *3 ,L, *T
z* , z*,L z*
T
2 3
*B
z1 = y1 y
Ejemplo
Se tiene la siguiente tabla de 48 datos:
271
Observaciones
1
2
3
4
5
6
7
8
9
10
11
12
dato
96,00
96,00
96,00
88,00
84,00
60,00
92,00
92,00
100,00
80,00
76,00
68,00
obs.
dato
13
14
15
16
17
18
19
20
21
22
23
24
obs.
82,50
67,50
120,00
120,00
101,25
82,50
82,50
71,25
71,25
67,50
101,25
112,50
25
26
27
28
29
30
31
32
33
34
35
36
dato
80,50
70,00
70,00
101,50
101,50
94,50
94,50
80,50
91,00
84,00
63,00
59,50
obs.
37
38
39
40
41
42
43
44
45
46
47
48
dato
48,75
45,50
68,25
107,25
113,75
113,75
100,75
84,50
68,25
110,50
97,50
94,25
con los cuales se pretende estimar la siguiente ecuacin:

z t = z t 1 + t
en donde zt = yt -
Utilizando MCO los resultados son:
= 0,500
= 0,128
Si utilizamos el bootstrap de la forma previamente descrita y realizsemos

5.000 rplicas, los resultados seran los siguientes:
5*.000 = 0,447
()
5.000 = 0,134
sendo el histograma de resultados el siguiente:
272
5.1. Bootstrap con bloques mviles

Se trata de otra forma de aplicar bootstrap a las series temporales, en la cual
en vez de estimar un modelo y regenerar muestras a partir de los residuos, se
usa un enfoque ms cercano al usado en el caso de una muestra nica.
Para llevarlo a cabo se forman bloques con las observaciones iniciales, todos
ellos con una longitud fija. As, si la longitud es de 3, significa que el bloque lo
forman una observacin, la anterior y la posterior. El bootstrap se realiza con
todo el bloque no slo con la observacin.
Los bloques se pueden disear con y sin solapamiento. Por ejemplo, si
tenemos las siguientes observaciones:
x = x1, x2, x3, x4, x5, x6, x7, x8, x9, x10, x11, x12
y si se desea elaborar bloques sin solapamiento, entonces las agrupaciones
son:
Bloque
1
2
3
4
Observaciones
x 1, x 2, x 3
x 4, x 5, x 6
x 7, x 8, x 9
x10, x11, x12
mentras que si elaboran los bloques permitiendo solapamientos, entonces se

tiene que:
Bloque
1
2
3
4
5
6
7
8
9
10
Observaciones
x 1, x 2, x 3
x 2, x 3, x 4
x 3, x 4, x 5
x 4, x 5, x 6
x 5, x 6, x 7
x 6, x 7, x 8
x 7, x 8, x 9
x8, x9, x10
x9, x10, x11
x10, x11, x12
De forma general, si se dispone de n datos y se toma una longitud L, el nmero

de bloques a considerar, k, ser:
n
k
L
As, en este ejemplo en el que se tienen 12 observaciones, el nmero de
bloques a considerar es de 4. En el caso en el que no se permita
solapamiento, pueden ser, por ejemplo, los siguientes: B2, B4, B1, B2 y la
muestra bootstrap obtenida x* ser:
273
x* = (x4, x5, x6, x10, x11, x12, x1, x2, x3, x4, x5, x6)
Si se hubiera permitido el solapamiento, entonces podramos tener una
secuencia como la siguiente: B6, B2, B3, B7, con lo cual tenemos de nuevo 12
observaciones y la muestra bootstrap x* ser:
x* = (x6, x7, x8, x2, x3, x4, x3, x4, x5, x7, x8, x9)
A partir de esta muestra generada se calcula zt* y a partir de ella se estima * .
El proceso se realiza un nmero elevado de veces para as obtener . Si
ponemos como ejemplo emprico el de la serie temporal utilizada anteriormente
y se emplea el sistema de bloques sin solapamiento, entonces, tras 5.000
rplicas, los resultados son los siguientes:
5*.000 = 0,372
()
5.000 = 0,137
siendo el histograma de resultados el siguiente:
Si hubisemos empleado el sistema de bloques mviles con solapamiento,

entonces los resultados hubieran sido:
5*.000 = 0,303
()
5.000 = 0,137
siendo el histograma de resultados el siguiente:
274
La razn por la que toman bloques de observaciones es que de esta forma se

respeta la correlacin entre observaciones. Es decir, si zt siguiese un AR(2)
entonces la longitud del bloque debera ser de 5.
5.2. Bootstrap aplicado al modelo de regresin lineal

De forma general, este modelo se puede expresar como:
y i = zi + i
i = 1,2,..., n
en donde i es una muestra aleatoria obtenida de una funcin F desconocida,
con esperanza nula:
F ( 1 , 2 , 3 ,..., n ) = E ( ) = 0
Por tanto:
E (y i / z i ) = E (z i + i / z i ) = E (z i / z i ) + E ( i / z i ) = z i
se estima minimizando la suma de errores al cuadrado, es decir:

n
min (y i z i i )
i =1
Obtenindose, de forma matricial:

1
= (Z Z ) Z Y
El error tpico de los estimadores es:
1
var = 2 (Z Z )
()
siendo:
2 =

nk
275
Realizar el bootstrap es til en aquellos casos distintos a los ms generales,

como cuando la regresin no es lineal en los parmetros y en aqullos casos
en los que se emplean mtodos de estimacin diferentes de los mnimos
cuadrados ordinarios (MCO).
Para una regresin lineal, podemos proceder de la siguiente forma: el modelo
de probabilidad P tiene dos componentes: P = (, F)
puede sustituirse por su estimador MCO, y, a partir de aqu, se puede

obtener una estimacin de F, ya que:
i = y i zi i = 1,2,...n
obtenindose que:
1
F = para i
n
i = 1,2,..., n
( )
Una vez que se tiene P = , F se puede realizar bootstrap. Para generar

x* = z i* , y i* lo primero que hacemos es seleccionar una muestra aleatoria de
los errores:
F 1* , 2* , 3* ,..., n* , = *
cada uno de estos i* tienen una probabilidad igual a 1/n. Por tanto, una vez
seleccionado i* se puede obtener y i* como:
y * = z + * i = 1,2,..., n
i
Con esta nueva muestra se procede a minimizar la suma de errores al

cuadrado:
n
min y i* z i
obtenindose que:
i =1
= min y i* z i
i =1
1
* = (Z Z ) Z Y *
cuya desviacin tpica es:

1
1
1
va r * = (Z Z ) Z var Y * Z(Z Z ) = F2 (Z Z )
( )
( )
( )
ya que var y * = 22 I siendo I la matriz identidad. Es decir, el error tpico de

obtenido mediante bootstrap es el mismo que el del calculado mediante
mnimos cuadrados ordinarios.
276
El bootstrap puede aplicarse al modelo de regresin de dos formas distintas:

1)
regenerando muestras a partir de los pares x i = (z i ,y i ) , es decir:
{(
)(
) (
x * = zi1 , y i1 , zi 2 , y i 2 ,..., zi n , y i n
)}
en donde los i1, i2, ...,in es una muestra aleatoria de enteros 1 a n

2)
regenerando muestras a partir de los residuos i, es decir:
{(
)(
) (
x * = z1 , z1 + i1 , z 2 , z 2 + i 2 ,..., z n , z n + in
)}
En el primer caso, supongamos una muestra de n = 164 datos que relaciona

las variables y con z, con las que deseamos hacer una regresin de la forma:
y (z ) = 0 + 1 z + 2 z 2
En este caso, F asigna una probabilidad de 1/164 a cada dato. El bootstrap se
aplicara de la siguiente forma: se forma una matriz de datos X* en la cual cada
una de las filas se obtiene como seleccin aleatoria de las ya existentes, es
decir:
*
x1* = x i1 , x 2* = x i 2 ,...x164
= x i164
X i* = (z i , y i )
En donde algunas filas aparecern ninguna, una o varias veces. Conocida la

matriz X* as formada se calcularan los estimadores . Para probar el ajuste
obtenido calcularamos y * (z 0 ) para un cierto valor de z = z0. As se repetira B
veces y con los B valores de y * (z = z0 ) se calculara su desviacin tpica

usando las frmulas habituales, es decir:
[ (b ) ()]
B
B =
siendo * () =
b =1
B 1
B *
(b )
b =1
Cabra preguntarse cul de los dos mtodos es mejor. El modelo de regresin

est basado en hiptesis muy fuertes tales como que la varianza del error es
constante, es decir, no depende de los niveles de zi y que los regresores son
fijos. El remuestreo mediante el primer mtodo es menos sensible a las
hiptesis por lo que la desviacin tpica del estimador obtenido por bootstrap
ofrece resultados razonables incluso si el modelo siguiente fuese errneo:
277
y i = zi + i
i = 1,2,..., n
F ( 1 , 2 , 3 ,..., n ) =
E F ( ) = 0
La nica hiptesis exigible al primer mtodo es que la muestra x* sea

seleccionada mediante muestreo aleatorio a partir de F, siendo F una
distribucin de dimensin p + 1. Si el modelo fuese correcto se puede
demostrar que los resultados se acercan a los del modelo 2 si n es grande.
6. ESTIMADORES DEL SESGO

6.1. El estimador bootstrap del sesgo
Supongamos que nos movemos en un contexto no paramtrico tal que a partir
de una funcin desconocida de distribucin se obtiene una muestra aleatoria x
= (x1, x2,...., xn) con la cual deseamos estimar el parmetro = t (F ) mediante el
estimador = e (x ) .
El sesgo se define como la diferencia entre el valor esperado de y el valor
del parmetro , es decir:
sesgoF = E F [e(x )] t (F )
El estimador bootstrap del sesgo, sesgoF , se define como:
()
sesgoF = E F [e(x *)] t F
()
siendo t F el estimador de obtenido por sustitucin directa.

Para la mayora de los estadsticos usados habitualmente, el estimador ideal
bootstrap del sesgo, debe aproximarse mediante simulacin de Monte Carlo, es
decir, se generan B muestras independientes x*1, x*2,..., x*B, con cada una de
las cuales se calcula * (b ) = e x *b b = 1,2,...,B. A partir de todos los * (b )
obtenidos se aproxima la esperanza bootstrap de la siguiente forma:
( )
* () =
b =1
* (b )
B
( )
[ ( )]
e x *b
= E F e x *
B
b =1
B
Por tanto, el sesgo estimado ser:
()
sesgoB = * () t F
es decir, es la diferencia entre la media de los estimadores obtenidos por

aplicacin del bootstrap y el valor del estimador obtenido con la muestra
original.
278
Veamos un ejemplo con la siguiente tabla de datos, en la que se recoge

informacin de primas y siniestros de un grupo de 12 compaas, obtenindose
para cada una de ellas la relacin entre siniestros y primas (S/PR):
Entidad
1
2
3
4
5
6
7
8
9
10
11
12
Primas Siniestros
8.134.530 5.477.631
3.374.958 1.506.213
6.181.833 4.590.724
5.313.676 2.301.427
2.151.774 1.233.201
2.835.507
922.211
1.097.837
891.148
4.287.529 2.632.048
7.300.213 5.446.848
1.490.006 1.068.779
5.101.431 3.842.374
5.214.937 3.610.696
S/PR
67,3%
44,6%
74,3%
43,3%
57,3%
32,5%
81,2%
61,4%
74,6%
71,7%
75,3%
69,2%
Ratio media del grupo = 63,87%

Suponiendo que los pares xi = (pi,si) se obtienen de una muestra aleatoria
bivariante F, tal que: F x = (x1 , x 2 , L , x n ) y que nos interesa un estimador
definido como:
= t (F ) =
E F (S )
E F (PR )
obtenemos que, a partir de los datos se logra:
()
= t F =
S
= 0,6387
PR
Aplicando bootstrap un nmero B elevado de veces, por ejemplo, 1.000, se

obtiene: * () = 0,6364 media de las 1.000 estimaciones, con una
desviacin tpica bootstrap de 0,03955. Por tanto, el sesgo ser:
()
sesgo1.000 = * () t F = 0,6364 0,6387 = 0,0023

y el histograma de la ratio es:
279
6.2. Un estimador mejorado del sesgo
()
Existe un mecanismo ms preciso que sesgoB = * () t F para aproximar

sesgo = sesgoF a partir de B rplicas bootstrap. Para ello, es necesario
introducir la nocin de vector de remuestreo. Sea P j* la proporcin que en una
muestra bootstrap x * = (x 1* , x 2* , L , x n* ) se tiene del dato j-simo original, es

decir:
P j* =
nmero de veces que x i* = x j
j = 1,2,..., n
Por tanto, el vector de remuestreo Pj* ser:
P * = P1* , P2* , L , Pn*
P j* 0
P
j =1
*
j
=1
As, si x* = (x1,x4, x1, x8, x7, x5, x1, x2), P* ser:

3 1 1 1 1 1
P * = , ,0, , ,0, ,
8 8 8 8 8 8
( )
Una rplica bootstrap * = e x * se puede expresar como una funcin de P*.

*
S
As, si * =
, entonces:
*
PR
280
12
=
*
P S
PR
*
j
j =1
12
P PR
*
j
j =1
en este caso, los datos originales x son fijos mientras que los componentes
aleatorios son los Pj* . Es decir, tenemos que * = T (P * ).
Sea P0 el vector de longitud n en el que todos sus componentes valen 1/n, es
decir: (1/n, 1/n,..., 1/n), lo cual implica que T P 0 = = t F . Aplicando bootstrap,
cada muestra obtenida x* lleva asociada un vector P*. Sea P * un vector cuyas
componentes son la media de cada P j* , es decir:
()
( )
Pj* =
P j*b
b =1
Como el sesgo es:
se puede escribir:
()
sesgoB = * () t F
( )
sesgoB = * () T P 0
Se define como el mejor estimador bootstrap del sesgo y se representa por:
( )
sesgo B = * () T P *
As, si por ejemplo, tras las 1.000 rplicas del ejemplo anterior, el vector P *
tiene las siguientes componentes:
p1 =
p2 =
p3 =
p4 =
0,0833
0,0829
0,0838
0,0832
p5 =
p6 =
p7 =
p8 =
0,0833
0,0836
0,0831
0,0838
p9 =
p10 =
p11 =
p12 =
0,0832
0,0834
0,0832
0,0834
nos resulta que:

12
( )=
T P
j =1
12
Sj
Pj*PR j
= 0,63878
j =1
281
( )
y por tanto, sesgo 1.000 = * () T P * = 0,6364 0,63878 = 0,00239 , ligeramente

distinto al obtenido anteriormente con sesgo1.000 = 0,0023 .
Aunque sesgo 1.000 > sesgo1.000 , se dice que es un mejor estimador porque la
convergencia a sesgo = sesgo F se logra antes. Para ilustrar esta afirmacin
basta con obtener el valor de ambos estimadores para distintos valores de B.
En el siguiente grfico se muestra la evolucin de ambos sesgos para
diferentes nmeros de rplicas:
6.3. El Jackknife y su estimador del sesgo

Este mtodo fue propuesto por Quenouille163 en los aos 50 del siglo pasado.
El jackknife no se centra en todas las muestras con reemplazamiento que se
pueden obtener a partir de x = (x1 , x 2 ,K, x n ) sino que se centra en las n
muestras que se obtienen eliminando una observacin en cada caso.
Realmente, este mtodo es una aproximacin al bootstrap.
Sea una muestra x = (x1 , x 2 ,K, x n ) y un estimador = e (x ) .
A la muestra a la cual se le quita una observacin se la denomina muestra
jackknife y se la representa por x(i) i =1,2,...,n, es decir:
x (i ) = (x1 , x 2 ,K, x i 1 , x i +1 ,K, x n ) .

Al clculo del estadstico a partir de esta muestra se le denomina rplica
jackknife de y es:
(i ) = s (x (i ) ) i = 1,2,..., n
163
Maurice Quenouille a mediados de 1950 generaliza el concepto aunque lo introdujo en su artculo:

Quenouille, M. (1949): Aproximate tests of correlation in time series. Journal of the Royal
Statistical Society: Series B (Statistical Methodology), 11: 18-44.
282
As, para los datos del ejemplo anterior, en el cual se calculaba la ratio media
de siniestros sobre primas, si tomamos el caso en el que se elimine la primera
observacin se obtiene que:
11
PR (1) =
PR
i =1
= 4.031.791,03
11
11
S (1) =
S
i =1
11
= 2.549.606,20
S (1)
por tanto, (1) =
= 0,6324 .
PR (1)
Haciendo lo mismo para todas y cada una de las observaciones, se obtiene la

siguiente tabla:
Observacin
eliminada
1
2
3
4
5
6
Estimador
Jackknife
63,24%
65,20%
62,49%
66,19%
64,15%
65,66%
Observacin
eliminada
7
8
9
10
11
12
Estimador
Jackknife
63,50%
64,09%
62,14%
63,64%
62,64%
63,28%
La expresin del estimador jackknife del error tpico es debida a Tukey164 y se

define como:
n 1 n
(i ) ( )
n i =1
jack =
siendo:
( ) =
i =1
(i )
n
n
En el ejemplo que estamos siguiendo, ( ) =

i =1
(i )
n
= 0,6385 y el estimador del
2
n 1 n
(i ) ( ) = 0,04044 , que es ligeramente distinta
n i =1
a la obtenida mediante el bootstrap tras 1.000 rplicas, que era de 0,03955.
El estimador jackknife del sesgo se define como:
= (n 1)
sesgo
error tpico es jack =
{() }
jack
164
Tukey, J.W. le dio el nombre a esta tcnica al publicar su artculo: Tukey, J.W. (1958): Bias and
confidence in not quite large samples (Abstract). The Annals of Mathematical Statistics, 29: 614.
283
siendo:
n
( ) =
(i )
i =1
()
= t F
que, en el ejemplo que estamos siguiendo es:
sesgo jack = (n 1) ( ) = (12 1){0,6385 0,6387} = 0,00229
6.4. Correccin del sesgo

Cabra preguntarse qu razn hay para calcular el sesgo. Se calcula para
poder corregir la estimacin obtenida. As, el estimador corregido de sesgo
sera:
~
= se sgo
Haciendo sesgo = sesgo B = * () nos resulta que:
~
= * () + = 2 * ()
As, en el ejemplo anterior tras 1.000 rplicas, si = 0,63873 y * () = 0,63668
nos resulta que :
~
= 2 * () = 2 0,63873 0,63668 = 0,64078 .
~
Sin embargo, esta correccin puede ser peligrosa pues, aunque tuviese un
sesgo menor que puede tener un error tpico mucho mayor. Este hecho se
puede comprobar con el bootstrap. Podemos comparar los resultados de
~
replicar 1.000 veces = se sgo1.000 con los correspondientes a y comparar
los errores tpicos del estimador obtenido en cada uno de ellos. Si los valores
obtenidos son cercanos, entonces no hay problema en realizar la correccin del
sesgo.
7. INTERVALOS DE CONFIANZA BASADOS EN TABLAS BOOTSTRAP

Hasta ahora, los conceptos expuestos estn centrados, sobre todo, en estimar
el error tpico de los parmetros. Este estadstico nos sirve para formular
intervalos de confianza de un parmetro de la forma: z ( ) . Si, por
ejemplo, nos movemos con una distribucin normal y una probabilidad del 90%,
entonces: 1,645 .
Supongamos una muestra obtenida aleatoriamente a partir de una funcin de
distribucin F:
F x = (x 1 , x 2 , K , x n )
284
()
Sea = t F el estimador directo de y sea una estimacin de la desviacin

tpica del parmetro, la cual puede haber sido realizada usando bootstrap o
jackknife. Entonces, si n crece, la distribucin de converge a una normal:
N ( , )
o, de otra forma:

N (0,1)

Partiendo de esta expresin, entonces:

PF z( )
z(1 ) = 1 2

o, de otra forma:
{ [
]}
PF z(1 ) , + z( ) = 1 2
De forma general, a z(1 ) , + z( ) se le denomina intervalo tpico
de confianza con una probabilidad de cobertura de 1-2 o nivel de confianza de

100(1-2)%. Veamos un ejemplo elaborado con el grupo de nueve entidades
utilizado anteriormente: 111, 69, 74, 46, 82, 73, 65, 52, 101. Su media es igual
a:
9
y
y = i = 74,77
i =1 9
y la desviacin tpica de la media es:
n
(x x )2
2
y =
= 7,00 / 2 = i
n
n 1
i =1
Si suponemos normalidad, entonces, para un nivel de confianza del 95%, el
intervalo de confianza ser:
IC = z( ) = [74,77 1,96 7,00] = [61,05 ; 88,49]

Significa que, con un 95% de probabilidad un intervalo de confianza construido
de esa forma contendr el verdadero valor de .
En este ejemplo se ha supuesto que N ( , ) , lo cual no tiene porqu ser
as. Si no se cumple esta hiptesis se pueden cometer errores. Es en este
contexto en el que se puede usar el bootstrap para calcular intervalos de
confianza ms precisos. En el caso en el que n los intervalos obtenidos
por bootstrap y por la desviacin tpica convergen uno a otro. Sin embargo, en
un caso como el del ejemplo con un nmero reducido de datos, el bootstrap
puede hacer correcciones tremendamente significativas, tal y como se
expondr ms adelante.
285
7.1. Intervalos con la t de Student

Se utilizan cuando el es desconocido. Entonces, el intervalo se expresa
como:
t n 1 (1 ) , + t n 1 ( )
El valor de la t en tablas depende del tamao de la muestra. Comparando con

la N(0,1) para 8, 20, 50 y 100 grados de libertad, se obtiene la siguiente tabla:
t8
t20
t50
t100
N
5%
-1,86
-1,73
-1,68
-1,66
-1,65
10%
-1,40
-1,33
-1,30
-1,29
-1,28
Percentiles
50%
0,00
0,00
0,00
0,00
0,00
90%
1,40
1,33
1,30
1,29
1,28
95%
1,86
1,73
1,68
1,66
1,65
es decir, los intervalos nos resultan ms amplios que aplicando la N(0,1), si

bien, a medida que aumenta el nmero de grados de libertad se va
aproximando a los obtenidos con esa distribucin.
7.2. Intervalos con la t-bootstrap

El uso del bootstrap permite obtener intervalos de confianza sin tener que
hacer hiptesis sobre el comportamiento estadstico del parmetro. Uno de los
enfoques es el conocido como tabla bootstrap. Es decir, se trata de obtener la
distribucin de

Z=
.

La tabla bootstrap se obtiene despus de generar B muestras y calcular la
versin bootstrap de Z en cada una. Los pasos a seguir son los siguientes:
1.
se generan B muestras x*1, x*2,... x*B
2.
para cada una de ellas se realiza el siguiente clculo:

* (b )
Z * (b ) =
* (b )
siendo * (b ) = e (x *b ) y * (b ) la desviacin tpica de * para la muestra b-
(x
n
sima. en donde * (b ) =
(b )
*
y * (b ) =
i =1
*
i
x*
286
3.
estimacin del porcentaje -simo de Z*(b) a partir del valor de t( ) ,

como:
n de veces que Z * (b ) t( )
=
B
es decir, si B = 1.000 y = 0,05, entonces t( ) es el 50 valor ms
elevado de Z*(b).
4.
el intervalo de confianza as construido es:

t(1 ) ; t( )
el cual se ha construido siguiendo la misma lgica que en los casos de la
distribucin normal y la t-Student.
En concreto, utilizando 5.000 rplicas, los valores asociados a la t( ) para =

0,05 y 1 - = 0,95 son:
t( ) = 2,4460
t(1 ) = 1,8032
Un aspecto a tener en cuenta es que los intervalos as construidos no tienen
porqu ser simtricos. As, si calculsemos un intervalo al 95% de confianza
con 5.000 rplicas bootstrap sobre los datos del ejemplo que estamos
siguiendo, obtendramos los siguientes resultados:
t( ) = 2,4460

t(1 ) = 1,8032 lmite inferior del intervalo = t (1 ) = 62,871
= 74,778
lmite superior del intervalo = t( ) = 90,929
= 6,603
que, como puede apreciarse, la distancia desde la media hasta el lmite inferior
es menor que desde la media hasta el lmite superior.
Es importante darse cuenta que un nmero de reducido de rplicas -pongamos
100 200- no parece adecuado para construir los intervalos de confianza, pues
el valor de t( ) puede variar sustancialmente, tal y como se recoge en la
siguiente tabla en la que se recogen los valores de t( ) en funcin de y del
nmero de rplicas bootstrap:
287
Rplicas
100
200
500
1.000
5.000
1,00%
-3,83300
-3,62883
-3,62883
-3,66748
-3,82440
2,50%
-3,53906
-3,14184
-3,16716
-3,14358
-3,06449
Percentiles de Z*
5,00% 50,00% 95,00%
-2,48782 -0,04398 1,55353
-2,45158 -0,04398 1,50816
-2,48356 -0,03677 1,58547
-2,38331 -0,03677 1,69250
-2,44601 -0,01839 1,80317
97,50%
1,58569
1,62023
2,01480
2,11542
2,25601
99,00%
2,51961
2,18690
2,53904
2,53904
2,68637
A partir de estos valores, los intervalos de confianza al 90%, 95% y 98% son
los recogidos en la siguiente tabla:
Rplicas
100
200
500
1.000
5.000
Lmite inferior
90,00% 95,00%
64,520
64,307
64,819
64,079
64,309
61,474
63,602
60,810
62,871
59,881
98,00%
58,141
60,338
58,013
58,013
57,040
Lmite superior
90,00% 95,00% 98,00%
91,205
98,146 100,087
90,966
95,523
98,739
91,177
95,691
98,739
90,515
95,535
98,994
90,929
95,013 100,030
Este mtodo es una generalizacin del mtodo habitual de la t-Student, siendo

especialmente aplicable en los estadsticos de posicin, tales como la media
muestral, la mediana o los percentiles muestrales.
8. INTERVALOS DE CONFIANZA BASADOS EN PERCENTILES BOOTSTRAP

8.1. Intervalos normales estndar
Sea el estimador directo de y su desviacin tpica, cuyo intervalo de
confianza tiene la siguiente expresin general165:
[ z(1 )
, z( )
]
( )
Sea * una variable aleatoria obtenida a partir de la distribucin N , .

Entonces:
min = z(1 ) = * ( ) = 100 percentil de la distribucin de *
max = z( ) = * (1 ) = 100(1-) percentil de la distribucin de *
165
Esta expresin no tiene porqu suponer que exista simetra dentro del intervalo. Las nicas
condiciones son que z() <0, z(1-)>0 y que el nivel de confianza del intervalo es 1 - 2.
288
Consideremos ahora el ejemplo de las ratios combinadas usado anteriormente.

Por tanto, si se escoge un = 2,5%, entonces el intervalo de confianza para 12 = 0,95%, obtenido a partir de la informacin muestral166, es [61,06 ; 88,50].
Tras 5.000 rplicas, el histograma con los resultados de la media de la anterior
secuencia de datos es:
y el error tpico bootstrap es igual a 6,629. La siguiente tabla recoge una

seleccin de percentiles obtenidos a partir del anterior conjunto de rplicas:
Percentil 2,50% 5,00% 10,00% 25,00% 50,00% 75,00% 90,00% 95,00% 97,50%
Valor
62,44 64,22
66,33
70,11
74,66
79,11
83,55
86,11
88,55
Si se construye un intervalo de confianza al 95%, dejando en cada cola el 2,5%

de probabilidad, se obtiene un resultado de [62,44 ; 88,55] que, como se puede
apreciar, es muy similar al obtenido a partir de la informacin muestral bajo la
hiptesis de normalidad y de varianza conocida.
8.2. Intervalo basado en percentiles

Sea una muestra x* obtenida por bootstrap de la forma habitual. A partir de
ella se obtiene * = e x * . Sea G la distribucin acumulada de probabilidad de
* . Por tanto, el intervalo asociado a 1-2 percentiles se obtiene a partir de los
percentiles y 1- de G , es decir:
( )
% min
166
] [
, % max = G 1 ( ), G 1 (1 )
Para obtener este intervalo se supone que la distribucin que subyace es la normal y la varianza es
conocida e igual a 49,05, que es el valor de la cuasivarianza. Si se supone normalidad pero con
varianza desconocida, entonces el intervalo se construye utilizando la t de Student y el intervalo
resultante sera [58,628;90,928].
289
y como por definicin, G 1 ( ) = *( ) , es decir, es el -simo percentil de la

distribucin bootstrap, entonces:
% min
] [
, % max = * ( ), * (1 )
De esta forma se obtendran los extremos del intervalo en caso de replicar la

muestra un nmero infinito de veces. Sin embargo, en la prctica real haremos
B rplicas x *1 , x *2 ,..., x * B y con cada una de ellas calcularemos * (b ) = e x * b
b = 1,2,...,B. Una vez obtenidos estos B valores, se ordenan de menor a
mayor por lo que B*( ) ser el valor asociado al percentil -simo que se
obtenga tras replicar B veces la muestra. As, si por ejemplo, B son 1.000
rplicas y = 0,05, entonces 1*.000 (0,05) ser el valor ordenado en la posicin
50 y de igual forma, * (0,95) ser el valor ordenado en la posicin 950. Por
( )
1.000
tanto, el intervalo de confianza para 1 - 2 ser:
% min
] [
, % max B* ( ), B* (1 )
Si la distribucin de * obtenida mediante bootstrap es cercana a la normal,

entonces los intervalos de confianza logrados a partir de la desviacin tpica y
de los percentiles tenderan a coincidir. El Teorema del Lmite Central167
establece que si n tiende a infinito, el histograma bootstrap replicar el de una
distribucin normal, pero para muestras pequeas no ser as. Si ste es el
caso y aparecen divergencias, la pregunta que surge es cul elegir. Para
responderla seguiremos el siguiente ejemplo. Generamos una muestra de 12
datos a partir de una normal de media cero y varianza unitaria. Los datos son
los siguientes:
n
dato generado
1
1,15531
2
1,39376
3
0,23971
4
1,79632
5
-0,04193
6
-0,09515
7
-0,07432
8
0,87374
9
-1,10953
10
-0,52700
11
0,32352
12
-0,04937
media muestral
0,3238
Estamos interesados en el parmetro definido como e. Si partimos de

suponer que la media poblacin es igual a cero, entonces su verdadero valor
167
Tambin llamado Teorema Central del Lmite, puede consultarse, por ejemplo, en Araujo, A. and
Gine, E. (1981): The Central Limit Theorem for Real and Branch Value Random Variables, Wiley.
290
es e0 = 1, si bien el obtenido a partir de la muestra de 12 datos es e0,3238 =

1,3828.
A continuacin se generan 5.000 rplicas mediante bootstrap. Aunque la
muestra se ha creado a partir de una distribucin normal estndar, las rplicas
se elaboran usando bootstrap no paramtrico. Con cada una de esas muestras
as creadas se calcula b
obtenidos es el siguiente:
= e xb . El histograma con todos los resultados
El valor medio de las 5.000 rplicas es de 1,4207 y la desviacin tpica es de

0,3394. Una seleccin de sus percentiles se recoge en la siguiente tabla:
Percentil 2,50% 5,00% 10,00% 25,00% 50,00% 75,00% 90,00% 95,00% 97,50%
Valor
0,88
0,95
1,02
1,17
1,38
1,61
1,87
2,04
2,21
Por tanto, para un nivel de confianza del 95%, el intervalo de confianza

obtenido a partir de los percentiles es:
[ (0,025) ; (0,975)] = [0,88 ; 2,21]

*
Si el intervalo se hubiera calculado a partir de la desviacin tpica, entonces

sera:
[e
1,96 e x = [1,4207 1,96 0,3394 ; 1,4207 + 1,96 0,3394] = [0,756 ; 2,086]
Como se puede apreciar, presenta unos lmites diferentes a los calculados

anteriormente. Por esta razn es ms aconsejable el intervalo obtenido a partir
de los percentiles.
291
( )
El siguiente grfico recoge el histograma de las 5.000 rplicas de * = ln * :
mucho ms parecido al correspondiente a una normal. El valor de la media es

0,3237 y el de la desviacin tpica es de 0,2335. En este caso, el intervalo de
confianza basado en la desviacin tpica es:
1,96 * = [0,3237 1,96 0,2335 ; 0,3237 + 1,96 0,2335] = [ 0,134 ; 0,782]
Si aplicamos la transformacin neperiana a los lmites del intervalo calculado a

partir de los percentiles se obtiene el siguiente intervalo:
[ (0,025) ; (0,755)] = [ 0,123 ; 0,792]

*
Dada la mayor similitud con la normal no es de extraar que ambos intervalos

sean tan parecidos. Por ello, para obtener los intervalos de confianza de lo
aconsejable es obtener el de usando el mtodo tradicional de la desviacin
tpica y a partir de ah, transformar los datos y conseguir as los lmites del
intervalo de . En el ejemplo que estamos siguiendo, si el intervalo para
mediante la desviacin tpica es:
[ 0,134 ; 0,782]
entonces el correspondiente para ser:
e 0,134 ; e 0,782 = [0,874 ; 2,208]
que, como puede apreciarse, es muy similar al obtenido a partir de los

percentiles, con lo que se justifica el uso de stos.
292
9. EVALUACIN DEL ERROR EN LOS ESTIMADORES BOOTSTRAP

Los estimadores obtenidos mediante bootstrap son prcticamente insesgados
si bien pueden tener una varianza significativa. Esta dispersin puede ser
debida a dos razones. Por un lado, se debe a la variabilidad muestral ya que se
parte de un conjunto de n datos y no de toda la poblacin. Por otro, se debe a
la variabilidad propia del bootsrap puesto que se toman B rplicas en vez de
infinitas.
Hasta ahora lo que se ha hecho es calcular el estadstico deseado e(x) a partir
de una muestra x = (x1 , x 2 , K, x n ) generada por una poblacin F. Se han
generado B muestras mediante bootstrap x *1 , x *2 ,..., x * B , cada una de tamao
n y mediante reemplazamiento. Para cada una de esas muestras x*b b =
1,2,...,B, se ha calculado e(x*b) y a partir de los B valores se ha calculado
alguna caracterstica de la distribucin de e(x), a la cual se nombra como B ,
como por ejemplo, el percentil 95 o la desviacin tpica. Se trata de saber cmo
o cunto de exacta es esta estimacin obtenida tras aplicar el bootstrap.
9.1. Estimacin del error tpico

Supongamos que nos interesa el error tpico de e(x). Entonces B ser:
B =
1 B
s (x *b ) s
B b =1
s (x *b )
B
b =1
B
s =
A su vez, B , estadstico que mide la variabilidad de e(x), tiene su propia

varianza. Se puede demostrar que la varianza de B tiene como expresin:
c
c
var( B ) = 12 + 2
nB
n
siendo c1 y c2 constantes que dependen de la distribucin subyacente F, pero
no de n (tamao de la muestra) ni de B (nmero de veces que se regenera la
muestra). El primer sumando de var( B ) recoge la variabilidad muestral y
tiende a cero a medida que n crece hacia infinito. Por su parte, el segundo
sumando recoge la variabilidad debida al bootstrap y tiende a cero a medida
que el nmero de rplicas tiende a infinito.
La variabilidad de B puede ayudarnos a determinar el nmero de veces que
hay que replicar la muestra. Como tanto n como B cambian, tambin lo hace la
esperanza de B . Por esta razn, es preferible usar la relacin entre la
dispersin de B con su esperanza, para lo cual se utiliza el coeficiente de
variacin (cv) de B , definido como:
cv ( B ) =
var( B )
E ( B )
293
Se demuestra que:
cv ( B ) =
()
var( B )
E + 2
2
= cv ( ) +
E ( B )
4B
siendo una estimacin de la curtosis de la distribucin de y es el

estimador ideal bootstrap de . Por ejemplo, si = x obtenida de una muestra
tamao n, entonces:
cv ( B ) =
1
1
+
2n 2B
Para distintos valores de n y de B se obtienen los siguientes valores:

n rplicas
20
50
100
200
500
1.000
2.000
5.000
10.000
25.000
50.000
100.000
10
0,2739
0,2449
0,2345
0,2291
0,2258
0,2247
0,2242
0,2238
0,2237
0,2237
0,2236
0,2236
Tamao de la muestra
20
50
100
0,2236
0,1871
0,1732
0,1871
0,1414
0,1225
0,1732
0,1225
0,1000
0,1658
0,1118
0,0866
0,1612
0,1049
0,0775
0,1597
0,1025
0,0742
0,1589
0,1012
0,0725
0,1584
0,1005
0,0714
0,1583
0,1002
0,0711
0,1582
0,1001
0,0709
0,1581
0,1000
0,0708
0,1581
0,1000
0,0707
1.000
0,1597
0,1025
0,0742
0,0548
0,0387
0,0316
0,0274
0,0245
0,0235
0,0228
0,0226
0,0225
cuya grfica es:
294
Como se puede apreciar, cuanto mayor es el tamao muestral, n, ms pequeo

es el coeficiente de variacin a medida que aumenta B. Dado un cierto tamao
muestral, n, el coeficiente de variacin no experimenta cadas espectaculares
en su valor para un nmero de rplicas B superior a unas 200.
9.2. El Jackknife posterior al bootstrap -JPBEste mtodo se utiliza para evaluar la varianza del error cometido en la
generacin de muestras bootstrap. La nica informacin que necesitamos est
en las B muestras que hemos generado para calcular e(x) y por tanto, B . En
puridad, el mtodo implica los siguientes pasos -suponemos una muestra de
tamao n x = (x1 , x 2 ,K, x n ) -:
1)
se elimina el dato i-simo y se vuelve a calcular B . Al resultado as

obtenido se le identifica por B (i ) . Se calcula tantas veces como nmero
de datos tenga la muestra.
2)
una vez calculadas las n B (i ) se calcula la varianza de todas ellas, a la

cual nos vamos a referir como var jack ( B ) que se define como:
var jack ( B ) =
n
B (i )
i =1
siendo B( ) =
n 1 n
B B( )
n i =1 (i )
Obviamente, el problema de este mtodo est en el primer paso pues requiere

un nuevo juego de muestras bootstrap para cada i. No obstante, existe una
forma de esquivar este inconveniente que nos permitir usar las B muestras
previas que se han utilizado para estimar B . En efecto, cada uno de los xi
datos de la muestra original no aparecen en un nmero de muestras bootstrap no en todas- que son con las que se va a calcular B(i ) . En concreto, sea B(i ) la
desviacin tpica muestral de e(x*b), calculada a partir de las muestras
bootstrap que no incluyen el punto i-simo de la muestra. As, si Ci es el
nmero de muestras bootstrap en las cuales no aparece xi y Bi el nmero de
tales muestras entonces:
2
1
B(i ) = s (x *b ) s i
Bi
bCi
siendo
si =
( )
s x *b
Bi
bCi
Esto es as porque una muestra bootstrap extrada con reemplazamiento a

partir de x1, x2,..., xi-1, xi+1, ...,xn tiene la misma distribucin que una muestra
bootstrap obtenida a partir de x1, x2, ...,xn que no contenga el valor xi.
295
Para aclarar el concepto, se presenta el siguiente ejemplo, en el que los datos

son las ratios entre siniestros y primas de las 12 entidades utilizadas
previamente y en el que se obtiene la media simple de las ratios. En este caso,
el resultado es de 62,736%. A efectos meramente expositivos, se exponen los
resultados para un nmero reducido de rplicas -B = 25-. Las muestras
obtenidas se recogen en la siguiente tabla -datos en porcentajes-:
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12 Media
74,26 74,26 71,73 74,26 71,73 74,26 43,31 74,61 61,39 43,31 43,31 67,34
64,48
61,39 81,17 43,31 71,73 43,31 75,32 67,34 57,31 69,24 69,24 69,24 71,73
65,03
74,26 57,31 81,17 81,17 71,73 69,24 74,61 71,73 81,17 44,63 61,39 61,39
69,15
57,31 71,73 57,31 75,32 67,34 67,34 43,31 75,32 81,17 44,63 43,31 75,32
63,28
32,52 74,26 74,26 74,61 43,31 67,34 61,39 32,52 74,61 61,39 61,39 44,63
58,52
71,73 32,52 57,31 74,61 74,26 74,26 74,61 71,73 69,24 74,26 32,52 57,31
63,70
57,31 75,32 44,63 43,31 74,61 69,24 74,26 74,61 74,61 75,32 69,24 74,61
67,26
44,63 43,31 32,52 71,73 69,24 32,52 75,32 81,17 75,32 74,26 57,31 74,61
61,00
74,61 32,52 74,61 43,31 32,52 57,31 74,61 71,73 32,52 43,31 74,61 61,39
56,09
75,32 57,31 67,34 75,32 74,61 74,26 74,26 74,26 61,39 74,26 57,31 32,52
66,51
81,17 43,31 44,63 74,61 71,73 44,63 61,39 61,39 57,31 75,32 81,17 44,63
61,77
67,34 71,73 74,61 71,73 74,26 71,73 32,52 75,32 61,39 74,26 32,52 32,52
61,66
69,24 81,17 32,52 44,63 57,31 43,31 44,63 67,34 44,63 75,32 74,61 43,31
56,50
43,31 75,32 67,34 74,61 67,34 69,24 44,63 67,34 74,61 71,73 57,31 74,26
65,59
43,31 61,39 74,61 32,52 71,73 67,34 57,31 32,52 74,26 43,31 69,24 32,52
55,01
71,73 74,61 61,39 74,61 71,73 61,39 69,24 67,34 44,63 69,24 32,52 67,34
63,81
81,17 71,73 74,26 74,26 32,52 57,31 67,34 32,52 57,31 74,26 44,63 69,24
61,38
32,52 57,31 32,52 32,52 67,34 67,34 57,31 43,31 74,61 44,63 74,26 67,34
54,25
57,31 43,31 75,32 32,52 43,31 67,34 74,26 71,73 43,31 81,17 43,31 71,73
58,72
61,39 67,34 67,34 71,73 74,26 69,24 67,34 32,52 69,24 81,17 32,52 71,73
63,82
43,31 61,39 74,26 74,61 74,61 57,31 75,32 74,61 81,17 61,39 75,32 74,61
68,99
71,73 69,24 57,31 61,39 69,24 74,26 69,24 69,24 57,31 75,32 67,34 43,31
65,41
71,73 74,61 44,63 67,34 57,31 75,32 74,26 61,39 71,73 74,26 61,39 81,17
67,93
43,31 74,26 32,52 74,61 81,17 67,34 75,32 74,61 74,61 44,63 74,61 69,24
65,52
44,63 57,31 57,31 69,24 44,63 81,17 81,17 61,39 75,32 69,24 67,34 44,63
62,78
La media bootstrap para estas 25 rplicas es de 62,73% y la desviacin tpica

de la media es de 4,25%. Tomando el primer dato de la muestra original
(67,34%), vemos que no aparece en las muestras 3, 6, 7, 8 ,9, 11 y 12. Por
tanto, 25(1) es la desviacin tpica correspondiente a estas siete muestras
obtenindose un valor de 4,81%.
Haciendo este mismo clculo para el resto de las observaciones se obtienen
los siguientes valores para las desviaciones tpicas (cifras en porcentaje):
296
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
4,81 4,38 3,58 2,73 2,52 2,49 4,68 4,20 2,30 5,48 4,87 4,80
Como ltimo paso, se calcula la desviacin tpica de estos 12 datos para

obtener la desviacin tpica jackknife, que en este ejemplo resulta ser de
1,13%, equivalente al 26,51% de la desviacin tpica bootstrap de las 25
rplicas.
Para el conjunto de las 5.000 rplicas realizadas, la desviacin tpica de la
media obtenida con todas ellas es de 4,18% y la desviacin tpica jackknife
result ser del 0,26%, es decir, un 6,16% de la desviacin.
El JPB se puede aplicar para cualquier estadstico, no slo para la desviacin
tpica como en el ejemplo. El mecanismo JPB puede tener problemas si el dato
que deseamos eliminar aparece en todas y cada una de las muestras bootstrap
que hemos generado. Sin embargo, esta situacin es realmente difcil que
ocurra. La experiencia demuestra que este hecho es casi, por no decir,
imposible si n 10 y B 20. De hecho, la probabilidad de que un cierto dato no
aparezca en una muestra bootstrap es:
1
p i = 1
n
siendo n el nmero de datos de la muestra y la probabilidad de que cada una

B
de las B muestras replicadas contenga el dato i-simo es (1 pi ) . As, en el
ejemplo anterior, con n = 12 y B = 25, se obtiene que pi = 0,35199 y
(1 pi )25 = 1,947 10 5 .
297

CAPTULO 7
EJEMPLOS PRCTICOS CON MONTE CARLO Y BOOTSTRAP
Este captulo final recoge algunas aplicaciones prcticas consistentes en la
utilizacin de las tcnicas recogidas en los captulos 5 y 6 a situaciones
expuestas en los captulos referidos a Solvencia II. En concreto, se va a
proceder a realizar simulaciones usando Monte Carlo para calcular el VaR y/o
el precio de diferentes activos, que van desde el caso de un bono de renta fija
hasta una cartera con varios ttulos pasando por la valoracin de opciones
financieras. Finalmente, se utiliza bootstrap en una de las aplicaciones ms
habituales dentro del mbito actuarial: la estimacin del volumen de reservas
para siniestros pendientes.
1. VARIACIONES DE PRECIO EN UN TTULO DE RENTA FIJA

En este ejemplo se van a calcular las posibles prdidas que se pueden
experimentar con un ttulo de renta fija. Se definir por tal a la diferencia entre
el precio en un instante futuro y el registrado en el instante de la valoracin que
se supone anterior. En ambos casos, el precio se considera sin cupn corrido.
El intervalo temporal que se va a tener en cuenta en el ejemplo es de un ao.
Habida cuenta que el precio de un instrumento financiero como ste es
simplemente el valor actual de los flujos futuros que promete, es decir:
N
P0 =
t =1
FCt
(1 + Rt )t
El problema se reduce a identificar los siguientes elementos:

1)
2)
Los flujos futuros que se esperan recibir y

El tipo de descuento que se aplicar en la valoracin
Con respecto al primero, y a efectos ilustrativos, se supondr que el ttulo es de

cupn fijo, por lo que los flujos sern iguales a c -tanto del cupn- veces el
valor nominal, excepto en el ltimo que ser 1 + c veces el mencionado valor,
pues en ese momento es cuando se procede la amortizacin del ttulo que
supondremos se realizar a la par.
En cuanto al tipo de descuento, en este ejemplo se utilizar el sistema ms
habitual: descontar todos los flujos al tipo de la TIR. Por tanto, para valorar el
ttulo en cualquier instante futuro de tiempo no hay ms que identificar los flujos
restantes hasta la amortizacin y el tipo de descuento a aplicar.
299
Como los flujos, por la propia naturaleza del ttulo, estn definidos desde el
momento de su emisin, el problema se centra nicamente en estudiar la
evolucin que puedan seguir los tipos de inters.
Los datos del ejemplo que se va a exponer son los siguientes:
Valor nominal = 1.000 euros

Vencimiento = 15 aos a partir del instante actual
Cupn = 4,60% pagadero anualmente
Si la TIR exigida en mercado en este momento fuese del 4,50%, entonces su

precio actual sera:
N
14
FCt
46
1.046
P0 =
=
+
=1.010,74
15
t
t
(
)
(
)
(
1
+
TIR
1
,
045
1
,045)
t =1
t =1
Para calcular el valor del ttulo dentro de un ao, es necesario estudiar los
cambios que puedan experimentar los tipos de inters. Para ello, se supondr
que los tipos, la TIR, sigue un proceso lognormal, o de otra forma, que
ln(1+TIR) se distribuye como una ley normal general N(,). Por tanto, el tipo
en cualquier instante futuro se puede expresar como:
1 + TIRt = (1 + TIR0 )e
2

t + t
N (0,1)
t = t t 0
Si en este ejemplo se supone que:
TIR0 = 4,5%
= 0% anual
= 5% anual
t = 1 ao
entonces:
ln(1 +TIR1 ) = ln(1,045)
0,02 2
+ 0,02 = 0,0438 + 0,02
2
Simulando este proceso un nmero elevado de veces, se obtiene la TIR

esperada para el prximo ao y, a partir de ah, el precio previsto para ese
rendimiento de la forma:
N
P1 =
t =1
FCt
13
(1 + TIR1 )
=
t =1
46
(1 + TIR1 )
1.046
(1 + TIR1 )14
Una vez calculado este valor para cada uno de los tipos obtenidos -tantos
como simulaciones se realicen-, ya se est en condiciones de obtener la
distribucin de prdidas y ganancias previstas, bien como diferencia de precios
como P1 - P0, o bien como porcentaje en relacin al precio inicial como:
300
P1 P0
.
P0
Haciendo 10.000 simulaciones, los resultados son los siguientes:
Precios
mnimo
mximo
Media (Best Estimate)
Desviacin tpica
924,90
1.153,12
1.024,20
27,33
Prdidas y
Ganancias (%)
-8,49%
14,09%
1,33%
2,70%
El histograma con la distribucin de precios se recoge en el siguiente grfico:
mientras que el que recoge la distribucin prevista del porcentaje de prdidas y

ganancias se recoge en el siguiente grfico:
301
Una vez obtenida la distribucin de frecuencias, es fcil obtener los valores

asociados al VaR y/o al TVaR para diferentes niveles de confianza. La
siguiente tabla recoge la prdida esperada para distintos niveles de confianza
con ambas medidas y el precio asociado a la misma:
confianza
90
91
92
93
94
95
96
97
98
99
99,5
Prdida asociada ()
VaR
Tail VaR
21,26
33,53
22,81
34,79
24,50
36,20
26,33
37,72
28,40
39,47
30,74
41,45
33,48
43,77
36,81
46,70
41,24
50,53
48,20
56,73
54,45
62,40
Precio asociado ()
VaR
Tail VaR
989,48
977,21
987,93
975,95
986,24
974,54
984,41
973,02
982,34
971,27
980,00
969,29
977,26
966,97
973,93
964,04
969,50
960,21
962,54
954,01
956,29
948,34
Al nivel requerido por Solvencia II, el VaR es igual a 54,45 euros, o lo que es lo
mismo, un 5,39%.
2. VALORACIN DE UN ACTIVO CON RIESGO

En este ejemplo se va a estimar el valor futuro que puede alcanzar un activo
con riesgo para, a partir de ah, obtener la distribucin de prdidas y ganancias
previsibles.
Se supondr que el precio del activo sigue un proceso lognormal de la forma:
Pt = P0 e
t + t
N (0,1)
t = t t 0
Y los datos que se utilizarn sern los siguientes:
P0 = 25 euros
= 15% anual
= 25% anual
t = 1 ao
Si la secuencia que se obtiene es mensual, entonces el proceso queda definido

como:
Pt = Pt 1e
1
+ 1
12
12
N (0,1)
t = t t 0
El proceso se repite un nmero elevado de veces, en concreto, se han

realizado 10.000 rplicas del mismo a partir de las cuales se obtiene la
302
distribucin deseada. Una posible secuencia de precios a lo largo del ao

puede ser la recogida en la siguiente tabla:
Mes
1
2
3
4
5
6
Valor
25,27
25,55
25,83
26,11
26,39
26,68
Mes
7
8
9
10
11
12
Valor
26,97
27,26
27,56
27,86
28,16
28,47
A modo de ejemplo, las 100 primeras secuencias generadas se recogen en el

siguiente grfico:
Con las 10.000 simulaciones realizadas, los resultados son los siguientes:
mnimo
mximo
Desviacin tpica
Precios
13,14
58,06
29,04
5,83
Prdidas y
Ganancias (%)
-47,45
132,23
16,16
23,32
303
El histograma con la distribucin de precios se recoge en el siguiente grfico:
mientras que el que recoge la distribucin prevista del porcentaje de prdidas y

ganancias se recoge en el siguiente grfico:
Tras conseguir las frecuencias de precios y/o prdidas y ganancias, se

obtienen los valores asociados al Var y/o al TVaR para distintos niveles de
confianza. Los resultados se recogen en la siguiente tabla:
confianza
90
91
92
93
94
95
96
97
98
99
99,5
Prdida asociada ()
VaR
Tail VaR
11,99%
19,53%
12,95%
20,30%
14,12%
21,16%
15,39%
22,07%
16,34%
23,11%
17,94%
24,29%
19,91%
25,63%
21,71%
27,22%
24,18%
29,37%
27,90%
32,80%
31,19%
36,04%
Precio asociado ()
VaR
Tail VaR
22,003
20,12
21,762
19,92
21,471
19,71
21,153
19,48
20,914
19,22
20,515
18,93
20,023
18,59
19,573
18,20
18,954
17,66
18,026
16,80
17,204
15,99
Al nivel requerido en Solvencia II, el VaR es igual al 31,19%.
304
3. VALORACIN DE OPCIONES CALL Y PUT

En este caso, se procede a valorar una opcin. Para ello es necesario conocer
las siguientes informaciones:
El proceso seguido por el activo subyacente y
La clase de opcin de la que se est hablando
Respecto del primer punto, se seguir suponiendo que el activo subyacente

sigue un proceso lognormal, tal y como se ha sugerido en los documentos del
CEIOPS. En cuanto al segundo, supondremos que nos centramos en los tipos
ms bsicos de opciones, es decir, europeas de las clases call y put. En ambos
casos, se supondr que se compra una opcin de cada clase y se har uso de
la llamada valoracin neutral al riesgo, la cual supone considerar que la
rentabilidad esperada para el activo ser igual al tipo libre de riesgo, r, vigente
en los mercados en el momento de la valoracin. Es decir, al utilizar la
expresin del proceso lognormal, se sustituir por r. Por tanto, el proceso de
valoracin seguir los siguientes pasos:
1.
Estimacin de las posibles sendas que pueda seguir el activo subyacente,

para lo que se asumir la valoracin neutral al riesgo
2.
Evaluar el importe que se pueda obtener al vencimiento de la opcin y
3.
Descuento del citado flujo usando el tipo libre de riesgo y suponiendo

tiempo continuo
En los dos casos que se van a analizar, los datos de partida son los siguientes:
Activo subyacente:
Precio actual = 25 euros
Volatilidad = 20% anual
Tipo de inters libre de riesgo = 4,5%
Precio de ejercicio, E, en ambos casos = 22,5
Vencimiento = 1 ao
A efectos de comparacin de resultados, en ambos casos se incluir el valor

que se obtiene aplicando las frmulas de Black & Scholes.
3.1. Opcin put

En este caso, el valor del flujo que pueda obtenerse con opcin se recoge en la
siguiente expresin:
FC put = max{0; E S}
305
siendo E el valor del precio de ejercicio de la opcin y S el valor del subyacente

en el momento del vencimiento. El precio de la put ser el valor actual del
anterior flujo de caja, es decir:
Pput = e rt max{0; E S}
Por ejemplo, sea la siguiente senda obtenida por simulacin:
Mes
1
2
3
4
5
6
7
8
9
10
11
12
Precio
24,57
22,70
20,22
20,39
19,05
18,69
18,88
18,93
18,27
17,17
17,25
17,93
en este caso el flujo de caja que se obtiene por la put en el momento del
vencimiento es igual a:
FC put = max{0;22,5 17,93} = 4,57
y su valor actual es igual a:
V .A. put = e rt 4,57 = 4,3677

Sin embargo, si la senda hubiera sido la siguiente:
Mes
1
2
3
4
5
6
7
8
9
10
11
12
Precio
25,83
25,81
28,74
27,14
26,42
23,89
23,72
24,96
25,02
25,81
27,71
30,57
entonces, el flujo de caja previsto hubiera sido:

FC put = max{0;22,5 30,57} = 0
y su valor actual tambin nulo. Repitiendo el proceso 10.000 veces se obtiene
el siguiente histograma de frecuencias de valores actuales:
306
y la tabla de resultados es la siguiente:

Valores actuales
0,0000
9,6907
0,61144
1,37627
mnimo
mximo
Desviacin tpica
por lo que el precio obtenido usando Monte Carlo es de 0,61144 euros. Si la

opcin se hubiera valorado usando Black & Scholes168, los datos relevantes
para el clculo se recogen en la siguiente tabla:
S=
E=
inters =
ln(1+r) =
t=
25,00
22,50
4,50%
0,044
1 ao
=
-d1 =
N(-d1) =
-d2 =
N(-d2) =
20% anual
-0,8469
0,1985
-0,6469
0,2589
y el valor de la put en este caso es 0,6102, que es prcticamente igual al

obtenido con la utilizacin de Monte Carlo.
168
En este caso, la expresin que se utilizan para la valoracin es la siguiente:

P = E e rt N ( d 2 ) S N ( d1 )
siendo :
2
S
Ln + r +
t
2
E
d1 =
t
y
d 2 = d1 t
307
3.2. Opcin call

En este caso, el valor del flujo que pueda obtenerse con opcin se recoge en la
siguiente expresin:
FCcall = max{0; S E}
El precio de la call ser el valor actual del anterior flujo de caja, es decir:
Pcall = e rt max{0; S E }
Para la primera senda anterior, el flujo de caja previsto es de:
FCcall = max{0;17,93 22,50} = 0

siendo igualmente nulo su valor actual. Sin embargo, si la senda hubiera sido la
segunda que se utiliz anteriormente, entonces el flujo de caja sera:
FCcall = max{0;30,57 22,50} = 8,07

y su valor actual sera:
V .A.call = e 0, 045 8,07 = 7,71
Repitiendo el proceso 10.000 veces se obtiene el siguiente histograma de

frecuencias de valores actuales:
y la tabla de resultados es la siguiente:

Valores actuales
0,0000
28,9599
4,08065
4,32044
mnimo
mximo
Desviacin tpica
308
por lo que el precio obtenido usando Monte Carlo es de 4,0806 euros. Si la

opcin se hubiera valorado usando Black & Scholes169, los datos relevantes
para el clculo se recogen en la siguiente tabla:
S=
E=
inters =
ln(1+r) =
t=
25,00
22,50
4,50%
0,044
1 ao
=
d1 =
N(d1) =
d2 =
N(d2)=
20% anual
0,8469
0,8015
0,6469
0,7411
y el valor de la call en este caso es 4,0791, que es prcticamente igual al

obtenido con la utilizacin de Monte Carlo.
4. COMBINACIN DE ACTIVO Y OPCIN PUT

Uno de los problemas ms habituales asociado a la posesin de activos es el
derivado de la posible perdida de valor de stos a lo largo del tiempo. Una de
las soluciones que se han dado es la de cubrir la posicin mediante la compra
de opciones put, de forma que si el activo cae por debajo del precio de
ejercicio, entonces se ejercita la opcin limitndose as la prdida
experimentada. Si el precio del subyacente no alcanzase ese valor crtico,
entonces se mantendra la posesin del activo. En resumidas cuentas, es una
forma de reducir las prdidas potenciales que se puedan sufrir, pagando a
cambio una cantidad en concepto de seguro, que no es otra que la prima de la
opcin put.
En este apartado se va a evaluar el VaR en las dos situaciones siguientes:
a)
b)
aqulla en la que se posea nicamente el activo sin cobertura alguna y

aqulla en la que, adems de poseer el activo, se adquiere una opcin put
para limitar las posibles prdidas.
En ambos casos se supondr que el valor del activo se puede representar por
un proceso lognormal y que se utilizar la valoracin neutra al riesgo usndose
un tipo libre de riesgo del 4,5%.
169
En este caso, la expresin que se utilizan para la valoracin es la siguiente:

C = S N (d 1 ) E e rt N (d 2 )
siendo :
d1 =
2
S
Ln + r +
2
E
t
y
d 2 = d1 t
309
4.1. VaR en el caso en el que no se poseen opciones put

Esta situacin es similar a la analizada en el apartado 2 de este captulo. Para
este caso, se va a suponer adems que la tasa media de crecimiento es del
15% -valor de -. As, tras 10.000 simulaciones, el rendimiento, obtenido como:
P P0
Rdo = 1
100
P0
produce los siguientes resultados:
%
-46,01
143,63
16,22
23,63
mnimo
mximo
Desviacin tpica
siendo el histograma del porcentaje de rendimientos el que se recoge en el

siguiente grfico:
En este caso, el VaR que se obtiene para distintos niveles de confianza es el

que se recoge en la siguiente tabla:
confianza
90
91
92
93
94
95
96
97
98
99
99,5
VaR
-11,88%
-13,04%
-14,24%
-15,60%
-16,87%
-18,50%
-20,20%
-22,13%
-24,61%
-28,60%
-32,74%
310
4.2. VaR en el caso en el que s se posee cobertura

En este caso, la aparicin en escena de la put hace que, al menos, se tenga un
precio garantizado de 22,50 . En este supuesto, el clculo del rendimiento se
obtiene como:
Rdo =
(Precio final + FC ) (Precio de compra + P )

100
(Precio de compra + P )
put
put
put
Como precio de la put se usar el obtenido aplicando Black & Scholes en el

apartado 3.1, es decir, 0,6102. Con todo ello, en el peor de los casos se
obtendr un rendimiento de:
Rdo =
22,50 (25,00 + 0,6102)

= 12,14%
25,6102
que es mucho mejor que el peor logrado en el caso de no adquirir la put prdida de ms del 50%-. Tras 10.000 simulaciones, los resultados se recogen
mnimo
mximo
Desviacin tpica
%
-12,14
106,02
4,51
17,63
y el histograma de rendimientos esperados se recoge en el siguiente grfico:
311
en donde se puede apreciar una abultada acumulacin de probabilidad en los

primeros tramos -de hecho, el 39,8% de los casos recogen prdidas superiores
al 5% y un 29,6% prdidas superiores al 10%-. Comparando los resultados de
ambas simulaciones se obtiene que, efectivamente, los rendimientos
esperados son superiores en el caso en el que no se utiliza la put, si bien en
este caso la dispersin tambin es mayor.
La composicin de la tenencia del activo junto con la opcin put es equivalente
a poseer una opcin call ya que:
si el precio del subyacente es inferior al precio de ejercicio de 22,50

euros, entonces se vender el activo y el resultado ser el asociado al
pago de la prima de la put ms el la diferencia entre el valor actual del
precio de venta y el de compra. Visto como si fuese una call, si el precio
es inferior al de ejercicio, no se ejercitar la opcin y por tanto, no se
poseer el activo -la conclusin es igual que si se hubiera vendido: no se
posee-.
si el precio del subyacente es superior al de ejercicio, no se ejercitar la

opcin put y el activo se mantendr en cartera. Visto como si fuese una
opcin call: al ser el precio del subyacente superior al de ejercicio, se
ejercita la opcin y se compra el activo -en conclusin, se tiene en
cartera-
Es decir, para los distintos valores que puede tomar el subyacente al

vencimiento, S, el valor actual de los flujos resultantes ser:
Valor actual de los flujos = e rt [max{0; E S} + S ] (P0 + Pput )

Haciendo la simulacin para un rango de precio entre 0 y 50 euros, se obtiene
que la composicin de la posesin del activo ms la put es igual a la compra de
una call, tal y como puede apreciarse en la siguiente tabla:
Precio del
subyacente
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Venta - Compra Flujo de caja Resultado en Resultado en

de activo
de put
valor nominal valor actual
-25,00
21,8898
-3,11
-4,0791
-24,00
20,8898
-3,11
-4,0791
-23,00
19,8898
-3,11
-4,0791
-22,00
18,8898
-3,11
-4,0791
-21,00
17,8898
-3,11
-4,0791
-20,00
16,8898
-3,11
-4,0791
-19,00
15,8898
-3,11
-4,0791
-18,00
14,8898
-3,11
-4,0791
-17,00
13,8898
-3,11
-4,0791
-16,00
12,8898
-3,11
-4,0791
-15,00
11,8898
-3,11
-4,0791
-14,00
10,8898
-3,11
-4,0791
-13,00
9,8898
-3,11
-4,0791
-12,00
8,8898
-3,11
-4,0791
-11,00
7,8898
-3,11
-4,0791
-10,00
6,8898
-3,11
-4,0791
-9,00
5,8898
-3,11
-4,0791
-8,00
4,8898
-3,11
-4,0791
312
Precio del
subyacente
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Venta - Compra Flujo de caja Resultado en Resultado en

de activo
de put
valor nominal valor actual
-7,00
3,8898
-3,11
-4,0791
-6,00
2,8898
-3,11
-4,0791
-5,00
1,8898
-3,11
-4,0791
-4,00
0,8898
-3,11
-4,0791
-3,00
-0,1102
-3,11
-4,0791
-2,00
-0,6102
-2,61
-3,6006
-1,00
-0,6102
-1,61
-2,6436
0,00
-0,6102
-0,61
-1,6867
1,00
-0,6102
0,39
-0,7298
2,00
-0,6102
1,39
0,2272
3,00
-0,6102
2,39
1,1841
4,00
-0,6102
3,39
2,1410
5,00
-0,6102
4,39
3,0980
6,00
-0,6102
5,39
4,0549
7,00
-0,6102
6,39
5,0119
8,00
-0,6102
7,39
5,9688
9,00
-0,6102
8,39
6,9257
10,00
-0,6102
9,39
7,8827
11,00
-0,6102
10,39
8,8396
12,00
-0,6102
11,39
9,7965
13,00
-0,6102
12,39
10,7535
14,00
-0,6102
13,39
11,7104
15,00
-0,6102
14,39
12,6674
16,00
-0,6102
15,39
13,6243
17,00
-0,6102
16,39
14,5812
18,00
-0,6102
17,39
15,5382
19,00
-0,6102
18,39
16,4951
20,00
-0,6102
19,39
17,4520
21,00
-0,6102
20,39
18,4090
22,00
-0,6102
21,39
19,3659
23,00
-0,6102
22,39
20,3229
24,00
-0,6102
23,39
21,2798
25,00
-0,6102
24,39
22,2367
La prdida de 4,0761 se corresponde con el valor de la call que se obtuvo en el

apartado 3.2 tras la aplicacin de Black & Scholes. La generacin sinttica de
la call puede apreciarse ms claramente con el siguiente grfico:
313
en donde las representaciones del valor del activo y del resultado de la put
estn recogidas en valor nominal y el resultado global lo est en valor
actualizado.
5. VaR PARA CARTERAS CON MS DE UN ACTIVO

Hasta ahora se han estudiado casos de carteras con un nico activo, bien un
subyacente bien un derivado, o a lo sumo con un subyacente ms un derivado.
Sin embargo, lo habitual es suponer que la cartera de un agente econmico
est formada por varios activos distintos, a veces con cientos o miles de ellos.
En esta situacin, lo habitual es darse cuenta que la evolucin de los precios
de cada activo por separado suele reaccionar ante cambios en la valoracin de
otro u otros activos que se componen la cartera. Es decir, la experiencia
demuestra que los precios de los activos guardan relacin unos con otros. Es lo
que estadsticamente se conoce como correlacin. Para intentar realizar una
simulacin lo ms certera posible, sera adecuado incorporar esta caracterstica
del comportamiento de los precios. sto es lo que se hace al generar muestras
dependientes entre s para lo cual es imprencidible conocer la matriz de
correlaciones o de varianzas-covarianzas entre las variables que se desean
simular.
Un paso intermedio en la elaboracin de la simulacin consiste en la tarea de
enlazar las diferentes variables normales estandarizadas que se generan
previamente con el objetivo de que esos nmeros aleatorios muestren
adecuadamente la relacin entre las variables. Esta tarea se realiza usando la
llamada descomposicin de Cholesky -una exposicin ms detallada aparece
en el apartado 3.3 del captulo 5-. Una vez generadas las variables aleatorias y
modificadas para incorporar la correlacin entre dichas variables, ya se est en
disposicin de crear el nmero de sendas que se consideren oportunas.
Por tanto, para poder llevar a cabo la simulacin se necesita la siguiente
informacin de partida:
Media y desviacin tpica de cada serie de rendimientos

Matriz de correlaciones o de covarianzas entre ellos
El ejemplo que se expone tiene los siguientes datos:

1.
2.
3.
4.
5.
se ha invertido en acciones de cinco empresas incluidas en el IBEX-35:

Santander, Telefnica, Repsol, Mapfre e Iberia -a partir de ahora SCH,
TEF, REP, MAP e IBLA-.
la proporcin invertida en cada una de ellas es de 20%, 30%, 15%, 25% y
10% respectivamente.
para obtener la informacin de partida se han analizado los precios de
cierre en el intervalo comprendido entre el 12 de julio de 2005 y el 11 de
julio de 2007.
el nmero de sesiones por ao es de 255. Este dato es importante para
calcular la volatilidad anual a partir de los datos diarios.
el valor de la cartera a 11 de julio de 2007 es de 100 millones de euros.
314
6.
El nmero de ttulo que se posee de cada una de las acciones -Ni- se

obtiene dividiendo el valor de la cartera invertida en ese ttulo -iV- entre
el precio a 11 de julio de 2007, Pi, es decir:
Ni =
iV
Pi
obtenindose los siguientes valores170:

SCH
TEF
REP
MAP
IBLA
7.
1.448.226
1.803.969
506.415
7.002.801
2.816.901
Se supone que los precios siguen un proceso lognormal
El objetivo que se persigue es el del clculo del VaR para un horizonte de un

ao. Los clculos se realizarn suponiendo la interrelacin entre los
rendimientos de ambas series. Tambin, a efectos de comparacin, se incluir
el resultado de la cartera considerada como suma de activos individuales cuyos
rendimientos no tienen relacin entre s.
La matriz de correlaciones que se utiliza en este ejemplo es la siguiente:
SCH
TEF
REP
MAP
IBLA
SCH
1,0000
0,3600
0,1348
0,3641
0,0766
TEF
0,3600
1,0000
0,0397
0,2728
0,0858
REP
0,1348
0,0397
1,0000
0,0980
0,0301
MAP
0,3641
0,2728
0,0980
1,0000
0,1604
IBLA
0,0766
0,0858
0,0301
0,1604
1,0000
y los datos sobre rendimientos y volatilidades se recogen en la siguiente tabla:
media
volatilidad
diaria
anual
diaria
anual
SCH
0,07%
18,94%
1,06%
16,87%
TEF
0,04%
11,41%
0,91%
14,56%
REP
0,06%
15,73%
1,33%
21,17%
MAP
0,08%
20,33%
1,35%
21,52%
IBLA
0,09%
24,00%
1,67%
26,69%
Una posible senda de precios mes a mes -asumiendo interrelacin- sera la

recogida en la siguiente tabla:
170
Realmente para un valor de 100 millones de euros, el nmero de ttulos es fraccionario. Sin
embargo, a efectos expositivos, el nmero se redondea al entero ms prximo.
315
Mes
1
2
3
4
5
6
7
8
9
10
11
12
SCH
14,01
14,22
14,43
14,64
14,86
15,07
15,30
15,52
15,75
15,98
16,22
16,45
TEF
16,77
16,92
17,07
17,21
17,36
17,51
17,67
17,82
17,97
18,13
18,29
18,44
REP
29,95
30,29
30,64
30,98
31,33
31,69
32,05
32,41
32,77
33,14
33,52
33,90
MAP
3,62
3,68
3,73
3,79
3,85
3,91
3,97
4,03
4,09
4,15
4,21
4,27
IBLA
3,61
3,67
3,74
3,80
3,87
3,93
4,00
4,07
4,14
4,21
4,28
4,35
Con estos precios se obtendra un resultado favorable del 16,47%. Haciendo

esto mismo 10.000 veces, los resultados se recogen en la siguiente tabla:
%
-24,91%
80,22%
18,65%
13,73%
mnimo
mximo
Desviacin tpica
y el histograma de resultados sera el recogido en el siguiente grfico:
Con estos resultados, el VaR y el TVaR para distintos niveles de confianza se

316
confianza
90
91
92
93
94
95
96
97
98
99
99,5
VaR
----0,29%
-1,18%
-2,19%
-3,33%
-4,89%
-6,60%
-9,30%
-11,80%
TVaR
-3,42%
-3,85%
-4,44%
-5,10%
-5,83%
-6,66%
-7,62%
-8,78%
-10,36%
-12,93%
-15,47%
Los valores del VaR para los niveles de confianza del 90 al 92% resultan
positivos, lo cual carece de sentido. Por esta razn, en la tabla se recogen
como --.
Sin embargo, si se hubiera supuesto independencia entre los rendimientos -o,
de otra forma, si no se hubiera tenido en cuenta la interrelacin entre los
rendimientos-, los resultados globales hubieran sido los recogidos en la
siguiente tabla:
%
-44,63%
148,72%
18,64%
26,91%
mnimo
mximo
Desviacin tpica
que, como se puede apreciar, se obtendra un resultado medio muy similar,

pero con una dispersin mucho mayor que en el caso anterior. La razn hay
que buscarla en que las correlaciones entre los rendimientos y en el hecho de
considerar la cartera como un nico conjunto, lo cual hace que se reduzca la
volatilidad de la cartera.
6. APLICACIN DEL BOOTSTRAP AL CLCULO DE TRINGULOS DE

RUN OFF
Una de las aplicaciones ms extendidas del remuestreo en el mbito actuarial
es la asociada a la estimacin de la cifra de reservas. En lneas generales, se
trata de combinar el uso de esta metodologa con sistemas de clculo de
reservas tan extendidos como puedan ser el Chain Ladder. Partiendo de un
modelo que explique las cantidades liquidadas por siniestros, se trata de hacer
remuestreo con los residuos de ese modelo y obtener una estimacin de las
cantidades a dotar para hacer frente a siniestros futuros. En cuanto a la
eleccin del modelo adecuado, es un tema que escapa al objetivo de este
trabajo. No obstante, para el lector interesado en ello, existe una plyade de
artculos cientficos sobre el particular, destacando los trabajos de autores
como Mack, England, Verrall o Renshaw, entre otros.
317
Para ilustrar esta tcnica se han tomado los datos que aparecen en el trabajo
ya clsico de Taylor y Ashe171, los cuales tambin pueden encontrarse en los
trabajos de Mack172 y Verrall173. Los datos aparecen en el habitual formato con
el que se presentan en los tringulos de liquidacin de siniestros, es decir:
las filas recogen los aos de ocurrencia
las columnas los aos de desarrollo
Se cuenta con informacin de diez ejercicios, que se recoge en el siguiente

tringulo:
0
1
2
3
4
5
6
7
8
9
0
357.848
352.118
290.507
310.608
443.160
396.132
440.832
359.480
376.686
344.014
1
1.124.788
1.236.139
1.292.306
1.418.858
1.136.350
1.333.217
1.288.463
1.421.128
1.363.294
2
1.735.330
2.170.033
2.218.525
2.195.047
2.128.333
2.180.715
2.419.861
2.864.498
3
2.218.270
3.353.322
3.235.179
3.757.447
2.897.821
2.985.752
3.483.130
4
2.745.596
3.799.067
3.985.995
4.029.929
3.402.672
3.691.712
5
3.319.994
4.120.063
4.132.918
4.381.982
3.873.311
6
7
8
9
3.466.336 3.606.286 3.833.515 3.901.463
4.647.867 4.914.039 5.339.085
4.628.910 4.909.315
4.588.268
Como se puede apreciar, los ejercicios se numeran desde 0 -primer ao tanto

de ocurrencia como de desarrollo- hasta 9, que es el correspondiente a la
ltima informacin disponible para este ejemplo.
Con esta informacin se va a proceder a estimar las reservas en los siguientes
casos:
1)
lo que se podra denominar como caso normal, en el que, a partir de la

informacin de base, se obtienen los factores de desarrollo y con ellos se
estima el valor de las reservas.
2)
partiendo del planteamiento del caso anterior, se calcula el valor actual de

las reservas a partir de una cierta senda de tipos de inters.
3)
se calculan las reservas teniendo en cuenta la incidencia de la evolucin

de los precios, tanto en el pasado como la previsible en el futuro y
4)
finalmente, se estima el nivel de las reservas en valor actual teniendo en

cuenta la incidencia pasada y futura de los precios.
171
Taylor, G.C. y Ashe, F.R. (1983): Second moments of estimates of outstanding claims. Journal of
Econometrics, 23: 37-69.
172
Mack, T. (1993): Distribution free calculation of the standard error of chain ladder reserves
estimates. ASTIN Bulletin, 23(2): 213-225.
173
Verrall, R.J. (1991): On the estimation of reserves from loglinear models. Insurance: Mathematics
& Economics, 10: 75-80.
318
En todos los casos, y a efectos de comparacin se incluir el resultado de las

reservas que se obtiene aplicando el mtodo chain ladder determinista.
6.1. Caso normal: valor nominal sin inflacin

Como se ha indicado en la introduccin a este apartado, ste es el caso ms
simple y su esquema bsico es utilizable para obtener el nivel de reservas en
los casos restantes. El proceso de estimacin se basa en la realizacin de un
conjunto de pasos un nmero elevado de veces. Para estimar el volumen de
reservas se han de seguir los siguientes pasos174:
Paso 1: Clculo de los factores de desarrollo

indican la proporcin que representan las cantidades liquidadas en el ao t + 1
en relacin a las del ao anterior. As, si F0 es 3,4906 significa que, por trmino
medio, las cantidades pagadas en el ao 1 de desarrollo son 3,4906 veces las
liquidadas en el ao 0. La expresin a partir de la cual se calculan en la
siguiente:
N j 1
Fj =
S(
i =0
N j 1
i , j +1)
S(
i =0
i,j)
que, con los datos del ejemplo, toman los siguientes valores:
F0 =
F1 =
F2 =
F3 =
F4 =
3,4906
1,7473
1,4574
1,1739
1,1038
F5 =
F6 =
F7 =
F8 =
F9 =
1,0863
1,0539
1,0766
1,0177
1,0000
Paso 2: Obtencin de las cifras acumuladas estimadas

Partiendo de la ltima diagonal, se obtienen los datos de aos anteriores de
forma recurrente sin ms que dividir la cifra del ao t entre el factor de
desarrollo del ao t - 1 pues, como se ha indicado en el paso anterior, las
cantidades liquidadas en t son Ft-1 veces las liquidadas el ao anterior. Por
ejemplo, la cantidad estimada en la posicin (7,0) se obtiene como:
174
De aqu en adelante se va a utilizar el planteamiento expuesto en England, P. and Verrall, R.

(1999): Analytic and bootstrap estimates of prediction errors in claim reserving. Insurance:
Mathematics and Economics, 25: 281-293.
319
a)
primero se estima la cantidad de la posicin (7,1) a partir de (7,2) -dato

conocido- de la siguiente forma:
x (7 , 2 ) 2.864.498
x (7 ,1) F1 = x (7 , 2 ) x (7 ,1) =
=
= 1.639.385
F1
1,7473
b)
a continuacin se estima la posicin (7,0) a partir de la estimacin de (7,1)

como:
x (7 ,1) 1.639.385
x (7 , 0 ) F0 = x (7 ,1) x (7 , 0 ) =
=
= 469.657
F0
3,4906
Haciendo este proceso para todas las posiciones, se obtiene el siguiente tringulo:
0
1
2
3
4
5
6
7
8
9
0
270.061
376.125
372.325
366.724
336.287
353.798
391.842
469.648
390.561
344.014
1
942.678
1.312.904
1.299.641
1.280.089
1.173.846
1.234.970
1.367.765
1.639.355
1.363.294
2
1.647.172
2.294.081
2.270.905
2.236.741
2.051.100
2.157.903
2.389.941
2.864.498
3
2.400.610
3.343.423
3.309.647
3.259.856
2.989.300
3.144.956
3.483.130
4
2.817.960
3.924.682
3.885.035
3.826.587
3.508.995
3.691.712
5
3.110.531
4.332.157
4.288.393
4.223.877
3.873.311
6
7
8
9
3.378.874 3.560.909 3.833.515 3.901.463
4.705.889 4.959.416 5.339.085
4.658.349 4.909.315
4.588.268
Paso 3: Clculo de los incrementos anuales en los valores estimados

La variacin en las cantidades estimadas se calcula por filas, por lo que:
x (i , j )
x (i , j ) =
x (i , j ) x (i , j 1)
si j = 0
si 0 < j y j = N - i - 1
Por ejemplo, para i = 7, se tiene que:
x (7 , j )
x (7 ,0 )
= x (7 ,1) x (7 , 0 )
x (7 , 2 ) x (7 ,1)
si j = 0
si j = 1
si j = 2
Repitiendo este clculo para todas las posiciones, se obtiene el siguiente tringulo:
0
1
2
3
4
5
6
7
8
9
0
1
2
270.061
672.617
704.494
376.125
936.779
981.176
372.325
927.316
971.264
366.724
913.365
956.652
336.287
837.559
877.254
353.798
881.172
922.933
391.842
975.923 1.022.175
469.648 1.169.707 1.225.143
390.561
972.733
344.014
3
753.438
1.049.342
1.038.741
1.023.114
938.200
987.053
1.093.189
4
417.350
581.260
575.388
566.731
519.695
546.756
5
292.571
407.474
403.358
397.290
364.316
6
7
8
9
268.344 182.035 272.606 67.948
373.732 253.527 379.669
369.957 250.966
364.391
320
Paso 4: Clculo de los residuos adimensionales de Pearson

A partir de los incrementos estimados para cada ao, se obtienen los residuos
del modelo para lo que se usa la siguiente expresin analtica:
(i , j ) =
x (i , j ) m (i , j )
m(i , j )
en donde x(i,j) es el incremento real en la posicin (i,j) y m(i,j) es el incremento

estimado en esa posicin. Por ejemplo, para i = 7 y j = 0, el residuo ser:
(7, 0 ) =
359.480 469.648
469.648
= 160,76
y para i = 7 y j = 1 ser:
(7,1) =
(1.421.128 359.480) 1.169.707

1.169.707
= 99,91
Repitiendo este proceso para todas las posiciones, se obtiene el siguiente

tringulo:
0
1
2
3
4
5
6
7
8
9
0 168,93 115,01 -111,94 -311,63 170,23 521,04 -235,52 -98,64 -86,91 0,00
1 -39,14 -54,51 -47,73 130,76 -177,75 -135,47 252,02 25,11 73,64
2 -134,09
77,35 -45,71 -21,67 231,27 -403,77 207,21 58,77
3 -92,67 203,92 -184,51 533,16 -390,87 -71,77 -261,92
4 184,29 -157,75 122,49 -174,18 -20,59 176,15
5
71,17
59,56 -78,52 -183,21 215,31
6
78,26 -129,87 108,03 -28,62
7 -160,76 -99,91 197,16
8 -22,20
14,07
9
0,00
Paso 5: Realizacin del remuestreo de los residuos

En este paso es en el que se aplica el bootstrap. Hay que tener cuidado de que
todos los valores que intervienen en el proceso tengan la misma probabilidad.
Un posible tringulo de residuos regenerados puede ser el siguiente:
0
1
2
3
4
5
6
7
8
9
0 -311,63 -39,14 -54,51 108,03 533,16 -403,77 197,16 -403,77 78,26 78,26
1 176,15 122,49 108,03 -22,20 -45,71
0,00 -92,67
0,00 58,77
2 -78,52 -99,91 -22,20
71,17 58,77
14,07 -98,64
73,64
3 -134,09 207,21 -134,09 -403,77 252,02 -177,75 -134,09
4 -99,91
59,56 122,49
73,64 215,31 231,27
5 -22,20 -177,75 -98,64 168,93 -78,52
6
73,64 197,16 108,03 -92,67
7 197,16 -45,71
58,77
8 -20,59 -39,14
9 -183,21
321
Paso 6: Regeneracin de los incrementos en la muestra original

A partir del remuestreo con los residuos, se procede a calcular los incrementos
estimados en los datos sin ms que deshacer la expresin a partir de la cual se
obtuvieron los residuos. Por tanto:
x (i , j ) = (i , j ) m(i , j ) + m(i , j )
Por ejemplo, la estimacin de la posicin (7,0) ser:
x (7,0 ) = 197,16 469.648 + 469.648 = 604.762

Repitiendo este proceso para todas las posiciones, se obtiene el siguiente
tringulo:
0
1
2
3
4
5
6
7
8
9
0
108.115
484.157
324.413
285.523
278.347
340.592
437.940
604.762
377.693
236.559
1
2
3
4
5
640.513
658.742
847.210 761.785 74.173
1.055.337 1.088.186 1.026.599 546.413 407.474
831.102
949.384 1.111.279 619.964 412.293
1.111.398
825.503
614.706 756.459 285.254
892.071
991.983 1.009.531 674.909 503.908
714.320
828.172 1.154.882 488.695
1.170.694 1.131.398
996.303
1.120.274 1.290.189
934.126
6
7
8
9
370.475
9.765 313.468 88.349
317.083 253.527 415.879
309.961 287.858
283.449
Paso 7: Regeneracin de los datos acumulados

En este caso, simplemente se suman incrementos de la forma:
j
S (i , j ) = x i ,k
/ i + j = N 1
k =0
Por ejemplo, el acumulado estimado de la posicin (0,2) ser:

S (0 , 2 ) = x (0, 0 ) + x (0 ,1) + x (0 , 2 ) = 108.115 + 640.513 + 658.742 = 1.407.370
Repitiendo este proceso para todas las posiciones, se obtiene el siguiente tringulo:
0
1
2
3
4
5
6
7
8
9
0
174.178
279.379
343.199
178.008
398.935
259.967
307.038
543.682
525.116
239.761
1
696.542
988.209
1.466.882
1.071.694
1.391.092
1.314.138
1.127.123
1.525.009
1.450.771
2
1.612.571
1.810.149
2.262.972
2.104.894
2.281.522
2.153.577
2.227.499
2.828.930
3
2.472.333
2.697.897
3.165.053
3.028.236
3.175.450
3.199.807
3.448.762
4
2.829.819
3.437.137
3.827.681
3.457.048
3.695.145
3.746.563
5
3.188.646
3.586.871
4.216.939
3.792.165
4.030.650
6
7
8
9
3.559.121 3.672.568 3.874.441 3.970.549
3.947.031 4.285.614 4.582.662
4.586.896 4.877.068
4.139.281
Paso 8: Obtencin de los factores de desarrollo de la muestra regenerada

La expresin a partir de la cual se calculan en la siguiente:
322
N j 1
F j =
S (
i =0
N j 1
i , j +1)
S (
i =0
i,j)
que, con los datos del ejemplo, toman los siguientes valores:
F0 =
F1 =
F =
2
F 3 =
F4 =
3,6129
1,7465
1,4463
F5 =
F6 =
F =
1,0809
F8 =
F9 =
1,0233
1,2118
1,0910
1,0426
1,0843
1,0000
Paso 9: Clculo de las reservas a partir de los resultados de la muestra

regenerada
Si se calcula por aos de ocurrencia, entonces la expresin a aplicar es:
N 1
R i = S (i , j ) Fk 1
k= j
/ i + j = N 1
Por ejemplo, si i = 3, entonces:

9
R 3 = S (3, j ) Fk 1 / 3 + j = 9
k=j
R 3 = S (3, 6 ) F6 F7 F8 F9 1
/ F9 = 1
[(
) ]
R 3 = 4.588.268 (1,1569 1) = 719.819
Repitiendo este clculo para todos los R i se completa el tringulo con los
datos que se recogen a continuacin:
0
1
2
3
4
5
6
7
8
9
0
357.848
352.118
290.507
310.608
443.160
396.132
440.832
359.480
376.686
344.014
1
1.124.788
1.236.139
1.292.306
1.418.858
1.136.350
1.333.217
1.288.463
1.421.128
1.363.294
1.242.889
2
1.735.330
2.170.033
2.218.525
2.195.047
2.128.333
2.180.715
2.419.861
2.864.498
2.381.030
2.170.740
3
2.218.270
3.353.322
3.235.179
3.757.447
2.897.821
2.985.752
3.483.130
4.142.925
3.443.685
3.139.542
4
2.745.596
3.799.067
3.985.995
4.029.929
3.402.672
3.691.712
4.220.738
5.020.255
4.172.941
3.804.390
5
3.319.994
4.120.063
4.132.918
4.381.982
3.873.311
4.027.694
4.604.867
5.477.148
4.552.719
4.150.627
6
3.466.336
4.647.867
4.628.910
4.588.268
4.186.820
4.353.699
4.977.589
5.920.472
4.921.220
4.486.582
7
3.606.286
4.914.039
4.909.315
4.783.625
4.365.084
4.539.068
5.189.521
6.172.551
5.130.753
4.677.609
8
3.833.515
5.339.085
5.323.278
5.186.989
4.733.156
4.921.811
5.627.112
6.693.032
5.563.388
5.072.034
9
3.901.463
5.463.734
5.447.557
5.308.087
4.843.658
5.036.718
5.758.485
6.849.290
5.693.273
5.190.448
323
El total de reservas, recogido por aos de ocurrencia, junto con las que se
obtendran aplicando el chain ladder determinista, son las que se recogen en la
siguiente tabla:
i =1
i =2
i =3
i =4
i =5
i =6
i =7
i =8
i =9
TOTAL
Bootstrap
124.649
538.242
719.819
970.347
1.345.006
2.275.355
3.984.792
4.329.979
4.846.434
19.134.623
Chain Ladder
94.634
469.511
709.638
984.889
1.419.459
2.177.641
3.920.301
4.278.972
4.625.811
18.680.856
Este proceso se repite un nmero elevado de veces para obtener la distribucin

de frecuencias de las reservas. En concreto, el ejemplo se ha repetido 10.000
veces, tras las cuales, los resultados se pueden recoger en la siguiente tabla:
mnimo
mximo
Desviacin tpica
Valores
14.216.699
24.747.694
18.791.649
1.470.838
siendo la distribucin estimada la que se recoge en el siguiente grfico:
y los valores asociados a determinados percentiles los recogidos en la

siguiente tabla:
324
Percentil
Reserva
50
55
60
65
70
75
80
85
90
95
99
18.713.729
18.912.113
19.110.572
19.292.946
19.502.611
19.742.894
19.993.770
20.308.321
20.712.831
21.315.569
22.573.488
En la siguiente tabla se recogen las dotaciones a la provisin para siniestros

pendientes por aos naturales -sucesivas diagonales hacia la derecha de la
ltima- y se compara con lo que se obtendra usando el chain ladder
determinista:
i =1
i =2
i =3
i =4
i =5
i =6
i =7
i =8
i =9
TOTAL
Bootstrap
Chain Ladder
5.316.105
5.226.536
4.283.877
4.179.394
3.202.211
3.131.668
2.193.129
2.127.272
1.519.313
1.561.879
1.197.342
1.177.744
779.920
744.287
524.310
445.521
118.414
86.555
19.134.623
18.680.856
6.2. Valor actual de la provisin

Una de las exigencias expuestas en los documentos del CEIOPS es la de
calcular el valor actual de las provisiones tcnicas. Para llevar a cabo esta
tarea es necesario tener una senda de tipos de inters futuros.
En el ejemplo que se est siguiendo se va a suponer que los tipos cupn cero
para operaciones a diferentes plazos son los que se recogen en la siguiente
tabla:
Plazo
Tipo
1
2
3
4
5
6
7
8
9
4,37% 4,51% 4,54% 4,57% 4,60% 4,62% 4,64% 4,66% 4,68%
Usando las cantidades estimadas para cada ao natural, el valor actual de

cada una de ellas y su total se recogen en la siguiente tabla -a efectos de
comparacin, se recogen los valores descontados que se obtienen utilizando el
mtodo determinista-:
325
Plazo
1
2
3
4
5
6
7
8
9
TOTAL
Valor nominal
5.316.105
4.283.877
3.202.211
2.193.129
1.519.313
1.197.342
779.920
524.310
118.414
19.134.623
Tipo
4,37%
4,51%
4,54%
4,57%
4,60%
4,62%
4,64%
4,66%
4,68%
Valor actual
5.093.519
3.922.124
2.802.867
1.834.154
1.213.358
913.124
567.762
364.202
78.457
16.789.566
Valor actual con

chain ladder
5.007.699
3.826.464
2.741.121
1.779.076
1.247.352
898.178
541.822
309.473
57.348
16.408.533
Repitiendo el proceso 10.000 veces, se obtienen los siguientes resultados:

Valores
12.143.498
22.199.218
16.501.480
1.256.432
mnimo
mximo
Desviacin tpica
que, obviamente resulta en un valor menor. Adems del desplazamiento hacia

el origen, la distribucin es ligeramente distinta de la obtenida con los valores
nominales, tal y como se recoge en la siguiente grfica:
326
6.3. Consideracin de la inflacin: valores nominales

En los principios bsicos que deben regir la valoracin de las provisiones
tcnicas en el contexto de Solvencia II se establece que se deben tener en
cuenta todos los posibles aspectos que puedan influir sobre la estimacin de
los flujos futuros asociados a los compromisos con los tomadores. Uno de esos
factores es la inflacin. Por ello, en este apartado se va a proceder a estimar el
nivel de las provisiones suponiendo que ha existido modificacin de precios en
el pasado y que tambin la habr en el futuro. En este apartado se obtendr la
cifra de las reservas a valor nominal y en el siguiente a valor actual. Respecto
de la inflacin pasada, se supondr que ha seguido la siguiente senda:
ao de ocurrencia
0
1
2
3
4
5
6
7
8
1,40% 2,80% 4,00% 2,50% 4,00% 2,70% 3,30% 3,70% 1,70%
A partir de ella, se expresan todas las cifras del tringulo inicial de datos en
unidades monetarias del ltimo ao por lo que se deber calcular la cifra de
cada ao natural -diagonales paralelas a la del ltimo ao- por un factor que no
es ms que los productos sucesivos de 1 + , siendo la tasa de inflacin de
cada ejercicio. Los resultados se recogen en la siguiente tabla:
1+
factor
aos desde hoy

1
2
3
4
5
6
7
8
9
1,0170 1,0370 1,0330 1,0270 1,0400 1,0250 1,0400 1,0280 1,0140
1,0170 1,0546 1,0894 1,1188 1,1636 1,1927 1,2404 1,2751 1,2930
con lo que los datos acumulados, depurados del efecto de la inflacin, son los
que figuran en el siguiente tringulo:
0
1
2
3
4
5
6
7
8
9
0
462.691
448.996
360.344
370.459
515.661
443.211
480.256
379.118
383.090
344.014
1
1.434.250
1.533.304
1.541.321
1.650.984
1.271.401
1.452.449
1.358.850
1.445.287
1.363.294
2
2.152.500
2.588.177
2.581.476
2.455.920
2.318.674
2.299.845
2.460.999
2.864.498
3
2.645.709
3.901.926
3.619.668
4.093.482
3.056.126
3.036.510
3.483.130
4
3.194.776
4.250.572
4.342.470
4.250.080
3.460.517
3.691.712
5
3.714.563
4.488.527
4.358.695
4.456.476
3.873.311
6
7
8
9
3.776.337 3.803.294 3.898.685 3.901.463
4.901.775 4.997.578 5.339.085
4.707.601 4.909.315
4.588.268
A partir de aqu, los pasos a seguir hasta la obtencin de los datos estimados
acumulados -el paso 7 del apartado 6.1.- son exactamente los mismos.
Obviamente, los factores de desarrollo aplicados, las cifras estimadas y los
residuos cambian. Se puede comprobar que los factores a aplicar en este caso
son los recogidos en la siguiente tabla:
327
F0 =
F1 =
F2 =
F3 =
F4 =
3,3954
1,6874
1,4140
1,1394
1,0714
F5 =
F6 =
F7 =
F8 =
F9 =
1,0562
1,0242
1,0496
1,0007
1,0000
con los cuales se obtienen los datos estimados tanto acumulados como en
diferencias. Los residuos resultantes son:
0
1
2
3
4
5
6
7
8
9
0 196,04 153,45 -102,27 -363,96 250,87 607,77 -298,44 -205,57 -207,26 0,00
1 -38,37 -51,13 -52,04 175,17 -256,84 -135,02 290,31 -70,84 177,11
2 -145,46
78,01 -29,82 -48,15 284,36 -520,63 186,29 250,91
3 -103,82 222,58 -217,58 583,55 -481,89 -154,77 -227,11
4 198,17 -188,31 139,30 -198,69 -56,86 304,00
5
68,40
52,32 -89,10 -217,65 303,00
6
76,72 -149,08
98,48
2,30
7 -170,92 -120,11 233,55
8 -29,08
18,79
9
0,00
con lo que un posible remuestreo puede ser:

0
1
2
3
4
5
0 222,58 -363,96 -227,11 -207,26 175,17 153,45
1 198,17
18,79 284,36 153,45 198,17 -29,08
2
98,48 175,17 177,11
78,01 -154,77 -70,84
3 198,17
0,00 250,87 198,17 -227,11 18,79
4
76,72 -145,46 196,04
98,48 222,58 304,00
5 250,91 -205,57 222,58 -51,13 -135,02
6 -227,11
52,32 607,77 250,87
7 196,04
78,01 177,11
8 233,55
76,72
9 -207,26
6
7
8
9
153,45 607,77 -207,26 -56,86
139,30 -207,26 -227,11
139,30 -363,96
284,36
A partir de estos nuevos residuos y los datos estimados previamente, se

obtiene un nuevo tringulo de datos estimados acumulados que es el siguiente:
0
1
2
3
4
5
6
7
8
9
0
478.333
612.092
525.597
570.608
439.659
558.638
281.033
638.586
549.509
222.453
1
978.052
1.771.017
1.808.433
1.622.813
1.236.897
1.315.465
1.364.007
1.921.569
1.586.525
2
1.583.926
3.180.254
3.062.738
2.902.070
2.338.413
2.464.001
2.976.324
3.279.805
3
2.219.334
4.470.937
4.232.557
4.146.253
3.362.285
3.362.859
4.249.469
4
2.721.007
5.152.956
4.639.270
4.482.284
3.952.502
3.723.709
5
3.023.402
5.450.233
4.902.933
4.782.098
4.365.295
6
7
8
9
3.283.609 3.551.708 3.647.099 3.646.880
5.785.880 5.834.352 5.972.739
5.228.119 5.220.247
5.166.521
En esta fase de la estimacin se introduce la senda prevista de inflacin para

los prximos aos. Para este ejemplo, se ha utilizado la siguiente:
328
aos desde hoy

1
2
3
4
5
6
7
8
9
2,70% 2,84% 2,98% 3,13% 3,29% 3,45% 3,63% 3,81% 4,00%
con la que, a partir de los factores de desarrollo obtenidos sin considerar la

evolucin de los precios ms la inclusin de estas tasas de inflacin, se
calculan los nuevos factores que son los que se utilizarn para estimar la cifra
de la provisin. Los factores finales son los siguientes:
Factor
Producto
1+
Producto
Factor final
2,9232
10,1864
1,0000
1,3408
13,6577
1,8129
3,4847
1,0270
1,3055
4,5493
1,4072
1,9222
1,0284
1,2695
2,4403
ao de desarrollo
4
5
6
1,1320
1,3660
1,0298
1,2328
1,6840
1,0752
1,2067
1,0313
1,1954
1,4425
1,0719
1,1222
1,0329
1,1574
1,2988
1,0216
1,0470
1,0345
1,1187
1,1713
1,0249
1,0248
1,0363
1,0796
1,1064
0,9999
0,9999
1,0381
1,0400
1,0399
que, aplicndolos se obtiene la parte inferior del tringulo:
0
1
2
3
4
5
6
7
8
9
0
462.691
448.996
360.344
370.459
515.661
443.211
480.256
379.118
383.090
344.014
1
1.434.250
1.533.304
1.541.321
1.650.984
1.271.401
1.452.449
1.358.850
1.445.287
1.363.294
1.032.777
2
2.152.500
2.588.177
2.581.476
2.455.920
2.318.674
2.299.845
2.460.999
2.864.498
2.541.565
1.925.388
3
2.645.709
3.901.926
3.619.668
4.093.482
3.056.126
3.036.510
3.483.130
4.150.933
3.682.972
2.790.072
4
3.194.776
4.250.572
4.342.470
4.250.080
3.460.517
3.691.712
4.066.378
4.846.004
4.299.683
3.257.268
5
3.714.563
4.488.527
4.358.695
4.456.476
3.873.311
4.099.893
4.515.984
5.381.811
4.775.085
3.617.414
6
3.776.337
4.901.775
4.707.601
4.588.268
4.295.083
4.546.338
5.007.738
5.967.847
5.295.053
4.011.320
7
3.803.294
4.997.578
4.909.315
4.857.280
4.546.905
4.812.891
5.301.343
6.317.743
5.605.503
4.246.505
8
3.898.685
5.339.085
5.223.206
5.167.843
4.837.624
5.120.616
5.640.299
6.721.686
5.963.906
4.518.017
9
3.901.463
5.552.315
5.431.808
5.374.234
5.030.827
5.325.121
5.865.559
6.990.134
6.202.090
4.698.456
En la siguiente tabla se recogen las cifras estimadas por aos naturales y su

correspondiente valor para el caso de haberse calculado por el mtodo
determinista:
i =1
i =2
i =3
i =4
i =5
i =6
i =7
i =8
i =9
TOTAL
Bootstrap
Chain Ladder
5.362.802
5.465.670
4.396.128
4.420.045
3.272.620
3.387.256
2.323.167
2.392.255
1.773.471
1.839.474
1.333.560
1.462.252
862.036
1.009.039
509.696
640.205
180.439
202.905
20.013.918
20.819.103
Finalmente, repitiendo este proceso 10.000 veces se obtienen los siguientes

resultados:
329
Valores
15.930.826
28.067.538
20.942.522
1.451.081
mnimo
mximo
Desviacin tpica
y el siguiente histograma de frecuencias:
6.4. Caso con inflacin: valor actual

En este ltimo apartado se incluyen tanto las tasas de variacin de los precios
pasadas y previstas para el futuro como la probable senda de tipos de inters,
que hasta ahora se haban tratado por separado. En la secuencia obtenida por
aos naturales de la simulacin de bootstrap recogida en el apartado anterior,
se aplican los tipos de inters esperados. Los resultados, junto con los
correspondientes al mtodo determinista son los siguientes:
i =1
i =2
i =3
i =4
i =5
i =6
i =7
i =8
i =9
TOTAL
Bootstrap
5.138.260
4.024.895
2.864.495
1.942.907
1.416.334
1.017.007
627.540
354.051
119.552
17.505.041
Chain Ladder
5.236.821
4.046.793
2.964.835
2.000.687
1.469.046
1.115.152
734.554
444.706
134.437
18.147.032
330
Repitiendo este proceso 10.000 veces se obtienen los siguientes resultados:

Valores
13.968.020
24.238.064
18.252.319
1.226.440
mnimo
mximo
Desviacin tpica
con el siguiente histograma de frecuencias, que incluye las correspondientes a

este caso y al anterior:
Como en el apartado 6.2., adems del desplazamiento hacia el origen, la curva

presenta un perfil distinto destacndose, para los valores actuales, una mayor
concentracin de valores en torno a la media.
331

BIBLIOGRAFA
APRA (2002): Future Policy directions for the regulation and prudential
supervision of the General Insurance Industry, September 2002.
Araujo, A. and Gine, E. (1981): The Central Limit Theorem for Real and
Branch Value Random Variables, Wiley.
Artzner, P., Delbaen, J., Eber, M. and Heath, D. (1999): Coherent

measures of Risk. Mathematical Finance, 9: 203-228.
Babu, G.J. and Singh, K. (1983): Inference on means using the bootstrap.
Ann. Statist., 11: 999-1003.
Baggerly, K.A. (1998): Empirical likelihood as a goodness-of-fit measure.

Biometrika, 85: 535547.
Barndorff-Nielsen, O.E. (1980): Conditionality resolutions. Biometrika, 67:

293310.
Barndorff-Nielsen, O.E. (1983): On a formula for the distribution of the

maximum likelihood estimator. Biometrika, 70: 343365.
Barndorff-Nielsen, O.E. (1986): Inference on full or partial parameters

based on the standardized signed log likelihood ratio. Biometrika, 73: 307
322.
Barndorff-Nielsen, O.E. (1994): Adjusted versions of profile likelihood and

likelihood roots, and extended likelihood. J. Roy. Statist. Soc. Ser. B, 56:
125-140.
Barndorff-Nielsen, O.E. and Chamberlin, S.R. (1994): Stable and invariant

adjusted directed likelihoods. Biometrika, 81: 485-499.
Barndorff-Nielsen, O.E. and Cox, D.R. (1979): Edgeworth and saddlepoint approximations with statistical applications (with discussion). J. Roy.
Statist. Soc. Ser. B, 41: 279312.
Barndorff-Nielsen, O.E. and Cox, D.R. (1994): Inference and Asymptotics,

Chapman and Hall.
Bennett, D.J. (1998): Randomness, Cambridge: Harvard University Press.
333
Beran R.J. (1986): Simulated power functions. Ann. Statist., 14: 151173.
Beran, R. (1987): Prepivoting to reduce level error of confidence sets.

Biometrika, 74: 457-468.
Beran, R. and Ducharme, G. (1991): Asymptotic theory for bootstrap in

Statistics, University of Montreal.
Beran, R.J. (1987): Prepivoting to reduce level error of confidence sets.

Beran, R.J. (1988): Prepivoting test statistics: A bootstrap view of

asymptotic refinements. J. Amer. Statist. Assoc., 83: 687697.
Beran, R.J. (1995): Stein confidence sets and the bootstrap. Statist.
Sinica, 5: 109127.
Beran, R.J. (1997): Diagnosing bootstrap success. Ann. Inst. Statist.

Math., 49: l24.
Beran, R.J. (2003): The impact of the bootstrap on statistical algorithms

and theory. Statist. Sci., 18: 175184.
Bickel, P. and Freedman, D. (1981): Some asymptotic theory for the

bootstrap. Ann. Statist., 9: 1196-1217.
Bickel, P.J. (1987): Comment on "Better bootstrap confidence intervals" by

B. Efron. J. Amer. Statist. Assoc., 82: 191.
Bickel, P.J. (1988): Discussion of "Theoretical comparison of bootstrap

confidence intervals" by P. Hall. Ann. Statist., 16: 959-961.
Bickel, P.J. and Freedman, D.A. (1981): Some asymptotic theory for the
bootstrap. Ann. Statist., 9: 11961217.
Bickel, P.J. and Ghosh, J.K. (1990): A decomposition for the likelihood
ratio statistic and the Bartlett correction-a Bayesian argument. Ann.
Statist., 18: 10701090.
Bickel, P.J., Gtze, F. and Van Zwet, W.R. (1997): Resampling fewer than
n observations: Gains, losses, and remedies for losses. Statist. Sinica, 7:
132.
Birkes, D. and Dodge, Y. (1993): Alternative Methods of Regression, John

Wiley & Sons.
Booth, J.G. and Hobert, J.P. (1998): Standard errors of prediction in

generalized linear mixed models. J. Amer. Statist. Assoc., 93: 262272.
334
Borio, C. and Tsatsaronis, K. (2004): Accounting and Prudential

Regulation: from uncomfortable bedfellows to perfect partners. Journal of
Financial Stability, 1(1): 111-135.
Boss, D. and Monahan, J. (1986): Bootstrap methods using prior

information. Biometrika, 73: 77-83.
Brazzale, A.R. (2000): Practical small-sample parametric inference. Ph.D.

dissertation, Dept. Mathematics, Swiss Federal Institute of Technology,
Lausanne.
Breiman, L. (1996): Bagging predictors. Machine Learning, 24: 123140.
Breiman, L. (1996): Heuristics of instability and stabilization in model

selection. Ann. Statist., 24: 23502383.
Bretagnolle, J. (1983): Les limites du bootstrap de certaines fonctionelles.

Ann. Inst. H. Poincar Probab. Statist., 19: 281296.
Brumback, B.A. and Rice, J.A. (1998): Smoothing spline models for the
analysis of nested and crossed samples of curves (with discussion). J.
Amer. Statist. Assoc., 93: 961994.
Buckland, S.T. (1983): Monte Carlo methods for confidence interval

estimation using the bootstrap technique. Bull. Appl. Statist., 10: 194-212.
Buckland, S.T. (1984): Monte Carlo confidence intervals. Biometrics, 40:

811-817.
Buerden, R.L. and Faires, J.D. (1981): Numerical Analysis, PWS-KENT

Publishing Company.
Buffon, G.L.L. (1777): Essai darithmetique moral, In: Supplement `a

lHistoire Naturelle, Vol. 4, Imprimerie Royale.
Blhman, H. (2003): Multidimensional Valuation, Lecture

Kolmogorov Centennial Conference, Moscow State University.
Bhlmann, P. (2002): Bootstraps for time series. Statist. Sci., 17: 5272.
Bhlmann, P. (2002): Sieve bootstrap with variable-length Markov chains

for stationary categorical time series (with discussion), J. Amer. Statist.
Assoc., 97: 443471.
Bhlmann, P. and Yu, B. (2002): Analyzing bagging. Ann. Statist., 30:

927961.
Notes
335
Canty, A.J., Davison, A.C., Hinkley, D.V. and Ventura, V. (2002):

Bootstrap diagnostics, Preprint, Institute of Mathematics, Swiss Federal
Institute of Technology, Lausanne.
Carpenter, J. (1999): Test inversion bootstrap confidence intervals. J. R.

Stat. Soc. Ser. B Stat. Methodol., 61: 159172.
CEIOPS (2005): Answers to the European Commission on the second

wave of Calls for Advice in the framework of the Solvency II project,
CEIOPS-DOC 07/05.
CEIOPS (2005): Draft Answers to the European Commission on the third

wave of Calls for Advice in the framework of the Solvency II project,
Consultation Paper n 9, CEIOPS-CP-06/05.
CEIOPS (2005): EU Solvency II project -the first Quantitative Impact

Study, CEIOPS-FS-12/05.
CEIOPS (2005): Report on Possible Need for Amendments to the

Insurance Groups Directive, Consultation paper n 6, CEIOPS-CP-03/05.
CEIOPS (2006): Draft Advise to the European Commission in the

framework of the Solvency II project on Pillar I issues further advice,
Consultation Paper n 20, CEIOPS-CP-09/06.
CEIOPS (2006): Quantitative Impact Study 2. Technical Specifications,

CEIOPS-PI-08/06.
CEIOPS (2006): Summary of comments on CEIOPS-CP-06/05. Draft

Answers to the European Commission on the third wave of Calls for
Advice in the framework of the Solvency II project, Call for Advice n 19,
CEIOPS-SEC-20/06.
CEIOPS (2007): QIS3: Calibration of the credit risk, CEIOPS-FS-23/07.
CEIOPS (2007): QIS3: Calibration of the underwriting risk, market risk and
MCR, CEIOPS-FS-14/07.
CEIOPS (2007): QIS3: Technical Specifications. Part I: Instructions,

CEIOPS-FS-11/07.
CEIOPS (2007): QIS3: Technical Specifications. Part II: Background

Informations, CEIOPS-FS-12/07.
Centeno, L. (1989): The Buhlmann-Straub Model with the premium

calculated according to the variance principle. Insurance: Mathematics
and Economics, 8: 3-10.
336
Chavez-Demoulin, V., Embrechts, P. and Neslehova, J. (2006):

Quantitative models for operational risk: extremes, dependence and
aggregation. Journal of Banking and Finance, 30(10): 2635-2658.
Chernick, M.R. (1999): Bootstrap Methods: A Practitioners Guide, John

Wiley & Sons.
Cochran, W. (1977): Sampling Techniques, John Wiley & Sons.
Comisin Europea, D.G. Mercado Interior (2003): Concepcin de un futuro

sistema de control cautelar en la UE. Recomendaciones de los servicios
de la Comisin, MARKT/2509/03. Bruselas, 3 de marzo de 2003.
Comit Europen des Assurances (2006): CEA Document on Cost of

Capital, Brussels, 21 April.
Comit Europen des Assurances and Chief Risk Officers Forum (2005):
Solutions to major issues for Solvency II.
Corcoran, S.A. (1998): Bartlett adjustment of empirical discrepancy

statistics. Biometrika, 85: 967972.
Cox, D.R. (1980): Local ancillarity. Biometrika, 67: 279286.
Cox, D.R. and Reid, N. (1987): Parameter orthogonality and approximate

conditional inference. J. Roy. Statist. Soc. Ser. B, 49: 1-39.
Cox, D.R. and Reid, N. (1993): A note on the calculation of adjusted profile
likelihood. J. Roy. Statist. Soc. Ser. B, 55: 467-472.
Daniels, H.E. and Young, G.A. (1991): Saddlepoint approximation for the
Studentized mean, with an application to the bootstrap. Biometrika, 78:
169-179.
Davison, A.C. (2003): Statistical Models, Cambridge Univ. Press.
Davison, A.C. and Hinkley, D.V. (1988): Saddlepoint approximations in

resampling methods. Biometrika, 75: 417-431.
Davison, A.C. and Hinkley, D.V. (1997): Bootstrap Methods and Their
Application, Cambridge Univ. Press.
Davison, A.C., Hinkley, D.V. and Worton, B.J. (1992): Bootstrap

likelihoods. Biometrika, 79: 113-130.
Delgado, M.A. and Gonzlez, W. (2001): Significance testing in

nonparametric regression based on the bootstrap. Ann. Statist., 29: 1469
1507.
337
Deng, L. and Denis, K.J.L. (2000): Random number generation for the
new century. The American Statistician, 54: 145-150.
DiCiccio, T. and Efron, B. (1992): More accurate confidence intervals in

exponential families. Biometrika, 79: 231-245.
DiCiccio, T. and Efron, B. (1996): Bootstrap confidence intervals (with

discussion): Statist. Sci., 11: 189-228.
DiCiccio, T.J. (1984): On parameter transformations and interval

estimation. Biometrika, 71: 477-485.
DiCiccio, T.J. and Efron, B. (1992): More accurate confidence intervals in

exponential families. Biometrika, 79: 231-245.
DiCiccio, T.J. and Efron, B. (1996): Bootstrap confidence intervals (with

discussion). Statist. Sci., 11: 189228.
DiCiccio, T.J. and Martin, M. (1993): Simple modifications for signed roots
of likelihood ratio statistics. J. Roy. Statist. Soc. Ser. B, 55: 305-316.
DiCiccio, T.J. and Romano, J.P. (1988): A review of bootstrap confidence

intervals (with discussion): Journal of the Royal Statistical Society: Series
B (Statistical Methodology), 50: 338-370.
DiCiccio, T.J. and Romano, J.P. (1990): Nonparametric confidence limits

by resampling methods and least favourable families. Internat. Statist.
Rev., 58: 5976.
DiCiccio, T.J. and Romano, J.P. (1995): On bootstrap procedures for

second-order accurate confidence limits in parametric models. Statist.
Sinica, 5: 141-160.
DiCiccio, T.J., Martin, M.A. and Young, G.A. (1992): Fast and accurate
approximate double bootstrap confidence intervals. Biometrika, 79: 285295.
DiCiccio, T.J., Martin, M.A. and Young, G.A. (1993): Analytical

approximations for iterated bootstrap confidence intervals. Statistics and
Computing, 2: 161-171.
Do, K.A. and Hall, P. (1991): On importance resampling for the bootstrap.
Durbin, J. (1980): Approximations for densities of sufficient estimators.

Efron, B. (1979): Bootstrap methods: Another look at the Jackknife. Ann.

Statist., 7: 1-26.
338
Efron, B. (1981): Non parametric estimates of standard error: the

Jackknife, the Bootstrap, and other methods. Biometrika, 68: 589-599.
Efron, B. (1982): The Jackknife, the Bootstrap and other resampling plans,
SIAM.
Efron, B. (1983): Estimating the error rate of a prediction rule:

Improvement on cross-validation. J. Amer. Statist. Assoc., 78: 316-331.
Efron, B. (1985): Bootstrap confidence intervals for a classic of parametric

problems. Biometrika, 72: 45-58.
Efron, B. (1986): How biased is the apparent error rate of a prediction

rule?. J. Amer. Statist. Assoc., 81: 461470.
Efron, B. (1987): Better bootstrap confidence intervals (with discussion). J.

Efron, B. (1992): Jackknife-after-bootstrap standard errors and influence

functions. Journal of the Royal Statistical Society: Series B (Statistical
Methodology), 54: 83-127.
Efron, B. (1993): Bayes and likelihood calculations from confidence

intervals. Biometrika, 80: 3-26.
Efron, B. (1994): Missing data, imputation, and the bootstrap (with

comment and rejoinder). J. Amer. Statist. Assoc., 89: 463-478.
Efron, B. (1996): Empirical Bayes methods for combining likelihoods (with

discussion). J. Amer. Statist. Assoc., 91: 538-565.
Efron, B. and Hinkley, D.V. (1978): Assessing the accuracy of the

maximum likelihood estimator: Observed versus expected Fisher
information (with discussion). Biometrika, 65: 457487.
Efron, B. and LePage, R. (1992): Introduction to bootstrap, In: Exploring

the Limits of Bootstrap (R. LePage and L. Billard, eds.): 3-10. Wiley.
Efron, B. and Stein, C. (1981): The jackknife estimate of variance. Ann.

Statist., 9: 586-596.
Efron, B. and Tibshirani, R. (1993): An Introduction to the Bootstrap,

Chapman and Hall.
Efron, B. and Tibshirani, R. (1997): Improvements on cross-validation. The

bootstrap method. J. Amer. Statist. Assoc., 92: 548-560.
Efron, B. and Tibshirani, R. (1998): The problem of regions. Ann. Statist.,

26: 1687-1718.
339
Efron, B., Halloran, E. and Holmes, S. (1996): Bootstrap confidence levels

for phylogenetic trees, Proc. Nat. Acad. Sci. U.S.A. 93.
Embrechts, P., Kluppelberg, C. and Mikosch, T. (1997): Modelling Extreme

Events for Insurance and Finance, Springer-Verlag.
England, P. and Verrall, R. (1999): Analytic and bootstrap estimates of

prediction errors in claim reserving. Insurance: Mathematics and
Economics, 25: 281-293.
European Commission (2005): Amended Framework for Consultation on

Solvency II, MARKT 2506-04.
European Commission (2006): Amended Framework for Consultation on

Solvency II, MARKT 2515-06.
Fan, J. and Lin, S. (1998): Test of significance when data are curves. J.
Fang, K. and Wang, Y. (1994): Number Theoretic Methods in Statistics,

Chapman & Hall.
Feller, W. (1965): An Introduction to Probability theory and Its

Applications, Vol. 1 and 2, John Wiley & Sons.
Felsenstein, J. (1985): Confidence limits on phylogenies: An approach

using the bootstrap. Evolution, 39: 783-791.
Fisher, J. and D. Geltner (2000): De-Lagging the NCREIF Index:

Transaction Prices and Reverse-Engineering. Real Estate Finance, 17(1):
722.
Fisher, R.A. (1993): Statistical Methods, Experimental Design and

Scientific Inference, Oxford University Press.
Freund, Y. and Schapire, R.E. (1997): A decision-theoretic generalization

of on-line learning and an application to boostrapping. J. Comput. System
Sci., 55: 119139.
FSA (2003): Enhanced Capital Requirements and individual capital

assessments for non-life insurers, Consultative Paper 190.
FSA (2003): Enhanced Capital Requirements and individual capital

assessments for life insurers, Consultative Paper 195.
FSA (2006): Integrated Prudential Sourcebook.
FSA (2006): Solvency II: a new framework for prudential regulation of

insurance in the EU. A discussion paper.
340
Garthwaite, P.H. and Buckland, S.T. (1992): Generating Monte Carlo

confidence intervals by the RobbinsMonro process. Appl. Statist., 41:
159171.
Gleser, L.J. and Hwang, J.T. (1987): The nonexistence of 100 1 percent
confidence sets of finite expected diameter in errors-in-variables and
related models. Ann. Statist., 15: 1351-1362.
Hacking, I. (1974): Logic of Statistical Inference, Cambridge University

Press.
Hall, P. (1985): Resampling a coverage pattern. Stochastic Process. Appl.,

20: 231246.
Hall, P. (1986): On the bootstrap and confidence intervals. Ann. Statist.,

14: 14311452.
Hall, P. (1988): Theoretical comparison of bootstrap confidence intervals

(with discussion). Ann. Statist., 16: 927-985.
Hall, P. (1992): The Bootstrap and the Edgeworth Expansion, SpringerVerlag.
Hall, P. and Jing, B.-Y. (1995): Uniform coverage bounds for confidence
intervals and Berry-Esseen theorems for Edgeworth expansion. Ann. of
Statist., 23: 363-375.
Hall, P. and Martin, M.A. (1988): On bootstrap resampling and iteration.

Hall, P. and Presnell, B. (1999): Intentionally biased bootstrap methods. J.

R. Stat. Soc. Ser. B Stat. Methodol., 61: 143158.
Hall, P. and Presnell, B. (1999): Biased bootstrap methods for reducing

the effects of contamination. J. R. Stat. Soc. Ser. B Stat. Methodol., 61:
661680.
Hall, P. and Presnell, B. (1999): Density estimation under constraints. J.

Comput. Graph. Statist., 8: 259277.
Hall, P. and Wilson, S.R. (1991): Two guidelines for bootstrap hypothesis
testing. Biometrics, 47: 757762.
Hammersley, J.M. and Handscomb, D.C. (1964): Monte Carlo Methods,

Wiley.
Hrdle, W. (1989): Resampling for inference from curves. Bull. Inst.

Internat. Statist., 53: 5364.
341
Hrdle, W. (1990): Applied Nonparametric Regression, Cambridge

University Press.
Harper, W.L. and Hooker, C.A. (1976): Foundations of Probability Theory,

Statistical Inference and Statistical Theories of Science, D. Reidel.
Hastie, T., Tibshirani, R. and Friedman, J. (2001): The Elements of

Statistical Learning, Springer.
Herzog, T.N. (1999): Introducction to Credibility Theory, ACTEX

Publications.
Herzog, T.N. and Lord G. (2002): Applications of Monte Carlo Methods to

Finance and Insurance, ACTEX Publications.
Hesterberg, T.C. (1999): Bootstrap tilting confidence intervals and

hypothesis tests. In Computer Science and Statistics: Proc. 31st
Symposium on the Interface 389393. Interface Foundation of North
America, Inc., Fairfax Station, VA.
Hinkley, D.V. (1980): Likelihood as approximate pivotal distribution.

Hougaard, P. (1982): Parametrizations of non-linear models. J. Roy.

Statist. Soc. Ser. B, 44: 244-252.
Huang, H. (2002): Scenario generation for multivariate series data using

the nearest neighbour bootstrap. Ph.D. dissertation, Dept. Decision
Sciences and Engineering, Rensselaer Polytechnic Institute, Troy, New
York.
IAA (2004): A Global Framework for Insurer Solvency Assessment,

International Actuarial Association.
IASB (2006): Insurance Contracts (Phase II), Project Update 11/07/2006.
Ireland, K. and Rosen, M. (1991): A Classical Introduction to Modern

Number Theory, Springer-Verlag.
Jaeckel, L. (1972): The infinitesimal jackknife, Memorandum MM72-121511, Bell Lab.
Jensen, J.L. (1986): Similar tests and the standardized log likelihood ratio
statistic. Biometrica, 73: 567-572.
Jorion, P. (2000): Valeu at Risk: The New Benchmark for Managing

Financial Risk, MCGraw-Hill.
342
Joy, C., Boyle, P.P. and Tan, K.S. (1996): Quasi-Monte Carlo Methods in
Numerical Finance. Management science, 42(2): 926.
Kahn, M. and Marshall, A.W. (1953): Methods of reducing sample size in

Monte Carlo computations. Operations Review, 1: 263-278.
Kendall, M.G. and Buckland, W.R. (1980): Diccionario de estadstica,

Pirmide.
Kiefer, J. and Wolfowitz, J. (1952): Stochastic estimation of the maximum

of a regression function. Ann. Math. Stat., 23: 462-466.
Klugman, S.A., Panjer, H.H. and Willmot, G.E. (1998): Loss Models: From
Data to decisions, John Wiley & Sons.
Knuth, D.E. (1998): The Art of Computer Programming, Vol. 1, AddisonWesley Publishing Company.
Knuth, D.E. (1998): The art of computer programming: seminumerical

algorithms, Vol. 2. Addison-Wesley Publishing Company.
KPMG / European Commission (2002): Study into the methodologies to

assess the overall financial position of an insurance undertaking from the
perspective of prudential supervision, May 2002.
LEcuyer, P., Simord, R., Chen, E.J. and Kelton D.W. (2002): An objectoriented Random-Number Package with Many Long Streams and
Substreams. Operations Research, 50: 1073-1075.
Lahiri, S.N. (2003): On the impact of bootstrap in survey sampling and

small-area estimation. Statist. Sci., 18: 199210.
Laplace, P. (1886): Oeuvres Completes de Laplace, vol. 7. Paris:

Gauthier-Villars.
Lavenberg, S.S. and Welch, P.D. (1980): A perspective on the use of

control variates to increase the efficiency of Monte Carlo simulations.
Research Report RC 8161, IBM Corporation, Yorktown Heights.
Lawless, J. (1982): Statistical Models and Methods for Lifetime Data,

Wiley.
Lawley, D.N. (1956): A general method for approximating to the

distribution of the likelihood ratio criteria. Biometrika, 43 : 295-303.
Lebart, L. et al. (1985): Tratamiento estadstico de datos, Boixared

editores.
343
Lee, S.M.S. and Young, G.A. (1995): Asymptotic iterated bootstrap

confidence intervals. Ann. Statist., 23: 1301-1330.
Lee, S.M.S. and Young, G.A. (1996): Sequential iterated bootstrap

confidence intervals. J. Roy. Statist. Soc. Ser. B, 58: 235-252.
Lee, S.M.S. and Young, G.A. (2003): Prepivoting by weighted bootstrap

iteration. Biometrika, 90: 393410.
Lee, Y.D. and Lahiri, S.N. (2002): Least squares variogram fitting by
spatial subsampling. J. R. Stat. Soc. Ser. B Stat. Methodol., 64: 837854.
Lehmer, D.H. (1951): Mathematical methods in large-scale computing

units. Proceedings of the 2nd Symposium on Large Scale Digital
Computing Machinery, Harvard University Press, Cambridge,
Massachusetts, 141-146.
Liu, R.Y. and Sigh, K. (1997): Notions of limiting P values based on data
depth and bootstrap. J. Amer. Statist. Assoc., 92: 266277.
Loh, W.-Y. (1987): Calibrating confidence coefficients. J. Amer. Statist.

Assoc., 82: 155-162.
Lu, K.L. and Berger, J.O. (1989): Estimation of normal means: frequentist
estimation of loss. Ann. Statist., 17: 890-906.
Lu, K.L. and Berger, J.O. (1989): Estimated confidence for multivariate
normal mean confidence set. J. Statist. Plann. Inference, 23: 1-20.
Mammen, E. (1993): Bootstrap and wild bootstrap for highdimensional

linear models. Ann. Statist., 21: 255285.
Mardia, K., Kent, J. and Bibby, J. (1979): Multivariate Analysis, Academic

Press.
Marsaglia, G. (1968): Random numbers fall mainly in the planes.

Proceedings of the National Academy of Sciences, 61: 25-28.
Marsaglia, G. and Zaman, A. (1991): A New Class of Random Number

Generators. Annals of Applied Probability, 1 (3): 462-480.
Marshall, A.W. (1956): The use of multi-stage sampling schemes in Monte

Carlo computations. Symposiums on Monte Carlo Methods, edited by M.A.
Meyer: 123-140. Wiley.
Martin, M.A. (1990): On bootstrap iteration for coverage correction in

confidence intervals. J. Amer. Statist. Assoc., 85: 11051118.
McCullagh, P. (1984): Local sufficiency. Biometrika, 71: 233-244.
344
McCullagh, P. (1987): Tensor Methods in Statistics, Chapman & Hall.
McCullagh, P. (2000): Resampling and exchangeable arrays. Bernoulli, 6:

285301.
McCullagh, P. and Tibshirani, R. (1990): A simple method for the

adjustment of profile likelihoods. J. Roy. Statist. Soc. Ser. B, 52: 325-344.
McQueen, G. and Thorley, S. (1991): Are Stock Returns Predictable? A

Test Using Markov Chains. The Journal of Finance, 46(1): 239-263.
Mercer Oliver Wyman (2004): Life at the end of the tunnel, June 2004.
Miller, R.G. (1974): The Jackknife: a review. Biometrika, 61: 1-15.
Moodys Investor Service (2006): Default and Recovery Rates of

Corporate Bonds Issuers. 1920-2005, January 2006.
Morgan Guaranty Trust of New York (1996): Riskmetrics, Technical

Document.
Morgan, B.J.T. (1984): Elements of Simulation, Chapman & Hall.
Newton, M.A. and Geyer, C.J. (1994): Bootstrap recycling: A Monte Carlo
alternative to the nested bootstrap. J. Amer. Statist. Assoc., 89: 905912.
OECD (2002): Workshop on Insurance and Private Pensions in the Baltic

States, Prudent Person Approach.
Owen, A.B. (1988): Empirical likelihood ratio confidence intervals for a

single functional. Biometrika, 75: 237249.
Owen, A.B. (1990): Empirical likelihood ratio confidence regions. Ann.

Statist., 18: 90-120.
Owen, A.B. (2001): Empirical Likelihood, Chapman and Hall/CRC, Boca

Raton, FL.
Parr, W.C. (1983): A note on the jackknife, the bootstrap and the delta
method estimators of bias and variance. Biometrika, 70 (3): 719-722.
Peers, H.W. (1965): On confidence points and Bayesian probability points

in the case of several parameters. J. Roy. Statist. Soc. Ser. B, 27: 9-16.
Pensioenverzekerinskamer (2004): Financial Assessment Framework,

Consultation Document.
Pea Snchez de Rivera, D. (2005): Fundamentos de Estadstica, Alianza

Universidad.
345
Pierce, D. and Peters, D. (1992): Practical use of higher order asymptotics

for multiparameter exponential families (with discussion). J. Roy. Stat.
Soc. Ser. B, 54: 701-725.
Pincus, M. (1968): A Monte-Carlo method for the approximate solution of

certain types of constrained optimisation problems. Oper. Res., 18: 12251228.
Politis, D.N. (2003): The impact of bootstrap methods on time series

analysis. Statist. Sci., 18: 219230.
Politis, D.N., Paparoditis, E. and Romano, J.P. (1999): Resampling

marked point processes. In: Multivariate Analysis, Design of Experiments,
and Survey Sampling (S. Ghosh, ed.): 163185. Dekker.
Politis, D.N., Romano, J.P. and Wolf, M. (1999): Subsampling, Springer.
Putter, H. and Van Zwet, W.R. (1996): Resampling: Consistency of

substitution estimators. Ann. Statist., 24: 22972318.
Quenouille, M. (1949): Approximate tests of correlation in time-series. J.

Roy. Statist. Soc. Ser. B, 11: 18-44.
Rajagopalan, B. and Lall, U. (1999): A k-nearest-neighbour simulator for

daily precipitation and other weather variables. Water Resources Res., 35:
30893101.
Reid, N. (1995): The roles of conditioning in inference (with discussion).

Statist. Sci., 10: 138-196.
Rohatgi, W.R. (1984): Statistical Inference, John Wiley.
Rubin, D. (1981): The Bayesian bootstrap. Ann. Statist., 9: 130-134.
Rubinstein, R. (1981): Simulation and the Monte Carlo Method, John

Wiley & Sons.
Rubinstein, Y. and Weissman, I. (1979): The Monte Carlo method for

global optimisation. Cah. Cen. Etud. Rech. Oper., 21(2): 143-419.
Samworth, R.J. (2003): A note on methods of restoring consistency to the

bootstrap. Biometrika, 90: 985-990.
Schapire, R.E., Freund, Y., Bartlett, P. and Lee, W.S. (1998): Boosting the
margin: A new explanation for the effectiveness of voting methods. Ann.
Statist., 26: 16511686.
Severini, T.A. (2000): Likelihood Methods in Statistics, Clarendon.
346
Shao, J. (2003): Impact of the bootstrap on sample surveys. Statist. Sci.,

18: 191198.
Shao, J. and Tu, D. (1995): The Jackknife and Bootstrap, Springer-Verlag.
Sharma, P. (2002): Prudential Supervision of Insurance Undertakings,

Conference of Insurance Supervisory of the Member States of the
European Union, December 2002.
Sharpe, W. (1995): Foreword en R. Beckstrom y A. Campbell (eds.): An

introduction to VaR, CATS Software.
Singh, K. (1981): On the asymptotic accuracy of Efron's bootstrap. Ann.

Statist., 9: 1187-1195.
Small, C. and Murdoch, D. (1993): Nonparametric Neyman-Scott

problems: Telescoping product methods. Biometrika, 80: 763-779.
Sprott, D.A. (1980): Maximum likelihood in small samples: estimation in

the presence of nuisance parameters. Biometrika, 67: 515-523.
Standard & Poors (2006): Annual 2005 Global Corporate Default Study
and Rating Transitions, Global Fixed Income Research, February 2006.
Student, W.A.G. (1908): The Probable Error of a Mean. Biometrika, 6: 1-25.
Stute, W., Gonzlez Manteiga, W. and Presedo, M. (1998): Bootstrap

approximations in model checks for regression. J. Amer. Statist. Assoc.,
93: 141149.
Swiss Federal Office of Private Insurance (2004): White Paper of the

Swiss Solvency Test.
Swiss Re (2005): World Insurance in 2004 growing premiums and stronger

balance sheets, Sigma n 2.
Swiss Re (2006): Solvency II: an integrated risk approach for European

insurers, Sigma n 4.
Swiss Re (2007): World insurance in 2006: premiums came back to "life",

Sigma n 4.
Taylor, G. (2000): Loss Reserving An Actuarial Perspective, Kluwer

Academic Press.
Tibshirani, R. (1988): Variance stabilization and the bootstrap. Biometrika,

75: 433-444.
347
Tibshirani, R. (1989): Noninformative priors for one parameter of many.

Tukey, J. (1958): Bias and confidence in not-quite large samples

(abstract). Ann. Math. Statist., 29: 614.
Tukey, J. (1977): Exploratory Data Analysis, Addison-Wesley.
Vlez, R. y Garca, A. (1993): Principios de Inferencia Estadstica, UNED.
Ventura, V. (2002): Non-parametric bootstrap recycling. Statist. Comput.,

12: 261273.
Verrall, R. (1991): On the Estimation of Reserves from Loglinear Models.

Insurance: Mathematics and Economics, 10: 75-80.
Verrall, R. (2000): An investigation into stochastic claims reserving models

and the chain-ladder technique. Insurance: Mathematics and Economics,
26: 91-99.
Von Neumann, J. (1951): Various techniques used in connection with

random digits. US National Bureau Standard Applied Mathematics
Service, 12: 36-38.
Waldman, M. and Gordon, M. (1988): Determining the Yield of Mortgage

Securities, In: Handbook of Mortgage-Backed securities (F. Fabozzi,
editor), Probus Publishing.
Wang, Y.D. and Wahba, G. (1995): Bootstrap confidence intervals for

smoothing splines and their comparison to Bayesian confidence intervals.
J. Statist. Comput. Simulation, 51: 263279.
Wasan, M.T. (1969): Stochastic Approximation, Cambridge University Press.
Willets et. al. (2001): Longevity in the 21st century, British Actuarial
Journal, 10(5): 685-832.
Wu, C.-F.J. (1986): Jackknife, bootstrap and other resampling methods in

regression analysis (with discussion). Ann. Statist., 14: 12611350.
Yakowitz, S.J. (1977): Computational Probability and Simulation, AddisonWesley.
Zaremba, S.K. (Editor) (1972):

Applications of Number Theory to
Numerical Analysis, Academic Press.
Zielinski, R.A. (1970): A Monte Carlo estimation of the maximum of a

function. Algorithms, 13: 5-7.
348
NORMATIVA CONSULTADA
Primera Directiva del Consejo 73/239/CEE, de 24 de julio de 1973, sobre

coordinacin de las disposiciones legales, reglamentarias y
administrativas relativas al acceso a la actividad del seguro directo distinto
del seguro de vida.
Primera Directiva del Consejo 79/267/CEE, de 5 de marzo de 1979, sobre

coordinacin de las disposiciones legales, reglamentarias y
administrativas, referentes al acceso a la actividad del seguro directo
sobre la vida, y a su ejercicio.
Directiva del Consejo 91/674/CEE, de 19 de diciembre, relativa a las

cuentas anuales y a las cuentas consolidadas de las empresas de
seguros.
Directiva 98/78/CE, del Parlamento Europeo y del Consejo, de 27 de

octubre de 1998, relativa a la supervisin adiciona de las empresas de
seguros y de reaseguros que formen parte de grupos de seguros o de
reaseguros.
Directiva 2000/12/CE del Parlamento europeo y del Consejo, de 20 de

marzo, relativa al acceso a la actividad de las entidades de crdito y a su
ejercicio.
Directiva 2001/24/CE del Parlamento Europeo y del Consejo, de 4 de abril

de 2001, relativa al saneamiento y a la liquidacin de las entidades de
crdito.
Directiva 2002/13/CE del Parlamento Europeo y del Consejo de 5 de

marzo de 2002 por la que se modifica la Directiva 73/239/CEE del
Consejo en lo que respecta a los requisitos del margen de solvencia de
las empresas de seguros distintos del seguro de vida.
Directiva 2002/83/CE del Parlamento Europeo y del Consejo, de 5 de

noviembre de 2002, sobre el seguro de vida.

diciembre de 2002, relativa a la supervisin adicional de las entidades de
crdito, empresas de seguros y empresas de inversin de un
conglomerado financiero, y por la que se modifican las Directivas
73/239/CEE, 79/267/CEE, 92/49/CEE, 92/96/CEE, 93/6/CEE y 93/22/CEE
del Consejo y las Directivas 98/78/CE y 2000/12/CE del Parlamento
Europeo y del Consejo.
349

marzo de 2005, por la que se modifican las Directivas 73/239/CE,
85/611/CEE, 91/675/CEE, 92/49/CEE y 93/6/CEE del Consejo y las
Directivas 94/19/CE, 98/78/CE, 2000/12/CE, 2001/34/CE, 2002/83/CE y
2002/87/CE, a fin de establecer una nueva estructura organizativa de los
comits de servicios financieros.
Directiva 2005/68/CE del Parlamento Europeo y del Consejo, de 16 de

noviembre de 2005 sobre el reaseguro.

junio de 2006, relativa al acceso a la actividad de las entidades de crdito
y a su ejercicio (refundicin).

junio de 2006, sobre la adecuacin del capital de las empresas de
inversin y las entidades de crdito (refundicin).
350
COLECCIN CUADERNOS DE LA FUNDACIN

Para cualquier informacin o para adquirir
nuestras publicaciones puede encontrarnos en:
Publicaciones
Monte del Pilar, s/n 28023 El Planto, Madrid (Espaa)
Telf.: + 34 915 818 768
Fax: +34 913 076 641
publicaciones.ics@mapfre.com
www.fundacionmapfre.com/cienciasdelseguro
119.
Anlisis del riesgo en seguros en el marco de Solvencia II: Tcnicas

estadsticas avanzadas Monte Carlo y Bootstrapping. 2007
118.
Los planes de pensiones y los planes de previsin asegurados: su

inclusin en el caudal hereditario. 2007
117.
Evoluo de resultados tecnicos e financieros

iberoamericano. 2007
116.
Anlisis de la Ley
Privados. 2007
no mercado segurador
26/2006 de Mediacin de Seguros y Reaseguros
115. Sistemas de cofinanciacin de la dependencia: seguro privado frente a

hipoteca inversa. 2007
114. El sector asegurador ante el cambio climtico: riesgos y oportunidades.
2007
113. Responsabilidade social empresarial no mercado de seguros brasileiro
influncias culturais e implicaes relacionais. 2007
112. Contabilidad y anlisis de cuentas anuales de entidades aseguradoras.
2007
111.
Fundamentos actuariales de primas y reservas de fianzas. 2007
110.
El Fair Value de las provisiones tcnicas de los seguros de Vida. 2007
109.
El Seguro como instrumento de gestin de los M.E.R. (Materiales

Especficados de Riesgo). 2006
108.
Mercados de absorcin de riesgos. 2006
351
107.
La exteriorizacin de los compromisos por pensiones en la negociacin

colectiva. 2006
106.
La utilizacin de datos mdicos y genticos en el mbito de las compaas

aseguradoras. 2006
105.
Los seguros contra incendios forestales y su aplicacin en Galicia. 2006
104.
Fiscalidad del seguro en Amrica Latina. 2006
103.
Las NIIF y su relacin con el Plan Contable de Entidades Aseguradoras.

2006
102.
Naturaleza jurdica del Seguro de Asistencia en Viaje. 2006
101.
El Seguro de Automviles en Iberoamrica. 2006
100.
El nuevo perfil productivo y los seguros agropecuarios en Argentina.

2006
99.
Modelos alternativos de transferencia y financiacin de riesgos ART:

situacin actual y perspectivas futuras. 2005
98
Disciplina de mercado en la industria de seguros en Amrica Latina.

2005
97
Aplicacin de mtodos de inteligencia artificial para el anlisis de la

solvencia en entidades aseguradoras. 2005
96.
El Sistema ABC-ABM: su aplicacin en las entidades aseguradoras.

2005
95.
Papel del docente universitario: ensear o ayudar a aprender?. 2005
94.
La renovacin del Pacto de Toledo y la reforma del sistema de

pensiones: es suficiente el pacto poltico?. 2005
92.
Medicin de la esperanza de vida residual segn niveles de dependencia

en Espaa y costes de cuidados de larga duracin. 2005
91.
Problemtica de la reforma de la Ley de Contrato de Seguro. 2005
90.
Centros de atencin telefnica del sector asegurador. 2005
89.
Mercados aseguradores en el rea mediterrnea y cooperacin para su

desarrollo. 2005
88.
Anlisis multivariante aplicado a la seleccin de factores de riesgo en la

tarificacin. 2004
352
87.
Dependencia en el modelo individual, aplicacin al riesgo de crdito.

2004
86
El margen de solvencia de las entidades aseguradoras en Iberoamrica.

2004
85.
La matriz valor-fidelidad en el anlisis de los asegurados en el ramo del

automvil. 2004
84.
Estudio de la estructura de una cartera de plizas y de la eficacia de un

Bonus-Malus. 2004
83.
La teora del valor extremo: fundamentos y aplicacin al seguro, ramo de

responsabilidad civil autos. 2004
81.
El Seguro de Dependencia: una visin general. 2004
80.
Los planes y fondos de pensiones en el contexto europeo: la necesidad

de una armonizacin. 2004
79.
La actividad de las compaas aseguradoras de vida en el marco de la

gestin integral de activos y pasivos. 2003
78.
Nuevas perspectivas de la educacin universitaria a distancia. 2003
77.
El coste de los riesgos en la empresa espaola: 2001.
76.
La incorporacin de los sistemas privados de pensiones en las pequeas

y medianas empresas. 2003
75.
Incidencia de la nueva Ley de Enjuiciamiento Civil en los procesos de

responsabilidad civil derivada del uso de vehculos a motor. 2002
74.
Estructuras de propiedad, organizacin y canales de distribucin de las

empresas aseguradoras en el mercado espaol. 2002
73.
Financiacin del capital-riesgo mediante el seguro. 2002
72.
Anlisis del proceso de exteriorizacin de los compromisos por

pensiones. 2002
71.
Gestin de activos y pasivos en la cartera de un fondo de pensiones.

2002
70.
El cuadro de mando integral para las entidades aseguradoras. 2002
69.
Provisiones para prestaciones a la luz del Reglamento de Ordenacin y

Supervisin de los Seguros Privados; mtodos estadsticos de clculo.
2002
353
68.
Los seguros de crdito y de caucin en Iberoamrica. 2001
67.
Gestin directiva en la internacionalizacin de la empresa. 2001
65.
tica empresarial y globalizacin. 2001
64.
Fundamentos tcnicos de la regulacin del margen de solvencia. 2001
63.
Anlisis de la repercusin fiscal del seguro de vida y los planes de

pensiones. Instrumentos de previsin social individual y empresarial.
2001
62.
Seguridad Social: temas generales y rgimen de clases pasivas del

Estado. 2001
61.
Sistemas Bonus-Malus generalizados con inclusin de los costes de los

siniestros. 2001
60.
Anlisis tcnico y econmico del conjunto de las empresas aseguradoras

de la Unin Europea. 2001
59.
Estudio sobre el euro y el seguro. 2000
58.
Problemtica contable de las operaciones de reaseguro. 2000
56.
Anlisis econmico y estadstico de los factores determinantes de la

demanda de los seguros privados en Espaa. 2000
54.
El corredor de reaseguros y su legislacin especfica en Amrica y

Europa. 2000
53.
Habilidades directivas: estudio de sesgo de gnero en instrumentos de

evaluacin. 2000
52.
La estructura financiera de las entidades de seguros, S.A. 2000
50.
Mixturas de distribuciones: aplicacin a las variables ms relevantes que

modelan la siniestralidad en la empresa aseguradora. 1999
49.
Solvencia y estabilidad financiera en la empresa de seguros:

metodologa y evaluacin emprica mediante anlisis multivariante. 1999
48.
Matemtica Actuarial no vida con MapleV. 1999
47.
El fraude en el Seguro de Automvil: cmo detectarlo. 1999
46.
Evolucin y prediccin de las tablas de mortalidad dinmicas para la

poblacin espaola. 1999
45.
Los Impuestos en una economa global. 1999
354
42.
La Responsabilidad Civil por contaminacin del entorno y su aseguramiento.

1998
41.
De Maastricht a Amsterdam: un paso ms en la integracin europea.

1998
N Especial Informe sobre el Mercado Espaol de Seguros 1997

Fundacin MAPFRE Estudios
39.
Perspectiva histrica de los documentos estadstico-contables del

rgano de control: aspectos jurdicos, formalizacin y explotacin. 1997
38.
Legislacin y estadsticas del mercado de seguros en la comunidad

iberoamericana. 1997
37.
La responsabilidad civil por accidente de circulacin.

comparacin de los derechos francs y espaol. 1997
36.
Clusulas limitativas de los derechos de los asegurados y clusulas

delimitadoras del riesgo cubierto: las clusulas de limitacin temporal de
la cobertura en el Seguro de Responsabilidad Civil. 1997
35.
El control de riesgos en fraudes informticos. 1997
34.
El coste de los riesgos en la empresa espaola: 1995
33.
La funcin del derecho en la economa. 1997
Puntual

32.
Decisiones racionales en reaseguro. 1996
31.
Tipos estratgicos, orientacin al mercado y resultados econmicos:

anlisis emprico del sector asegurador espaol. 1996
30.
El tiempo del directivo. 1996
29.
Ruina y Seguro de Responsabilidad Civil Decenal. 1996

28.
La naturaleza jurdica del Seguro de Responsabilidad Civil. 1995
27
La calidad total como factor para elevar la cuota de mercado en

empresas de seguros. 1995
26.
355
25.
El reaseguro financiero. 1995
24.
El seguro: expresin de solidaridad desde la perspectiva del derecho.

1995
23.
Anlisis de la demanda del seguro sanitario privado. 1993

22.
Rentabilidad y productividad de entidades aseguradoras. 1994
21.
La nueva regulacin de las provisiones tcnicas en la Directiva de

Cuentas de la C.E.E. 1994
20.
El Reaseguro en los procesos de integracin econmica. 1994
19.
Una teora de la educacin. 1994
18.
El Seguro de Crdito a la exportacin en los pases de la OCDE

(evaluacin de los resultados de los aseguradores pblicos). 1994
N Especial Informe sobre el mercado espaol de seguros 1993

FUNDACION MAPFRE ESTUDIOS
16.
La legislacin espaola de seguros y su adaptacin a la normativa

comunitaria. 1993
15.
14.
El Reaseguro de exceso de prdidas 1993
12.
Los seguros de salud y la sanidad privada. 1993
10.
Desarrollo directivo: una inversin estratgica. 1992
9.
Tcnicas de trabajo intelectual. 1992
8.
La implantacin de un sistema de controlling estratgico en la empresa.

1992
7.
Los seguros de responsabilidad civil y su obligatoriedad de aseguramiento.

1992
6.
Elementos de direccin estratgica de la empresa. 1992
5.
La distribucin comercial del seguro: sus estrategias y riesgos. 1991
4.
Los seguros en una Europa cambiante: 1990-95. 1991
356
2.
Resultados de la encuesta sobre la formacin superior para los

profesionales de entidades aseguradoras (A.P.S.). 1991
1.
Filosofa empresarial: seleccin de artculos y ejemplos prcticos. 1991
357


Analisis Del Riesgo en Seguros en El Marco de Solvencia II 119 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analisis Del Riesgo en Seguros en El Marco de Solvencia II 119 PDF

Uploaded by

Copyright:

Available Formats

Instituto de Ciencias del Seguro

Anlisis del riesgo en

2008 FUNDACIN MAPFRE

Prohibida la reproduccin total o parcial de esta

2008 FUNDACIN MAPFRE

Desde 1992 FUNDACIN MAPFRE realiza anualmente una convocatoria de

Pablo Alonso Gonzlez es licenciado en Ciencias Econmicas y Empresariales

2008 FUNDACIN MAPFRE

2008 FUNDACIN MAPFRE

2008 FUNDACIN MAPFRE

2008 FUNDACIN MAPFRE

Slo despus de una larga cadena

David Hume (1711-1776)

2008 FUNDACIN MAPFRE

2008 FUNDACIN MAPFRE

2008 FUNDACIN MAPFRE

recursos disponibles que aquellos otros que opten por actividades ms

2008 FUNDACIN MAPFRE

2008 FUNDACIN MAPFRE

El captulo seis se ocupa de otra tcnica ampliamente utilizada, el Bootstrap,

2008 FUNDACIN MAPFRE

INTRODUCCIN Y MOTIVACIONES DEL CAMBIO ...........................

ENTORNO EN EL QUE SE PREPARA SOLVENCIA II .......................

2.1. Contexto econmico .....................................................................

2.2. Contexto poltico y normativo........................................................

2.2.1. Solvencia II dentro de las reformas comunitarias...............

2.2.2. Consistencia con la regulacin bancaria de solvencia .......

2.2.3. Normas Internacionales de Contabilidad (NIC) ..................

2.2.4. Desarrollos internacionales en la regulacin de Solvencia

ESTIMACIN DE LOS COMPROMISOS DE PAGO ...........................

3.1. Aspectos generales.......................................................................

3.2. Aspectos concretos y principios de valoracin .............................

EL CAPITAL DE LAS EMPRESAS ASEGURADORAS: REQUISITOS

4.1. La composicin del capital de las empresas aseguradoras .........

4.2. Exigencias actuales de capital: Solvencia I ..................................

4.3. Requisitos de capital en Solvencia II: el Pilar I .............................

4.4. La intervencin del supervisor: Pilar II ..........................................

4.5. Requisitos de informacin -disclosures-: Pilar III..........................

OTROS ASPECTOS .............................................................................

5.1. Definicin de capital aceptable .....................................................

5.2. Tratamiento de las empresas pequeas ......................................

5.3. Temas referidos a grupos .............................................................

5.4. Cooperacin entre reguladores ....................................................

LA ELECCIN DE LA MEDIDA DEL RIESGO: VaR vs. TVaR ............

2008 FUNDACIN MAPFRE

EL SISTEMA ACTUAL: SOLVENCIA I..................................................

OTROS MODELOS DE MEDICIN DEL RIESGO...............................

2.1. El modelo bancario: Basilea II ......................................................

2.2. El modelo norteamericano ............................................................

2.3. El modelo britnico........................................................................

2.4. El modelo suizo .............................................................................

EL SISTEMA RBC AMERICANO ..........................................................

3.1. RBC para compaas de no vida ..................................................

3.2. RBC para compaas de vida .......................................................

EL TEST SUIZO DE SOLVENCIA SST- .............................................

4.1. Introduccin e ideas generales .....................................................

4.1.1. Objetivo ...............................................................................

4.1.2. Transparencia .....................................................................

4.1.3. Valor consistente de activos y de pasivos ..........................

4.1.4. Incentivos para la gestin del riesgo ..................................

4.1.5. Ausencia de quiebra ...........................................................

4.1.6. Compatibilidad con Solvencia II..........................................

4.1.7. Capital mnimo y capital objetivo ........................................